-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathapp.py
158 lines (133 loc) · 5.09 KB
/
app.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# 1. neural network (초기 가중치는 랜덤으로 적절히 조절)
from net import *
from game import *
# if __name__ == '__main__':
# net = Network(26, [50, 100], 26)
# # x = np.array([1.0, 0.5])
# # y = network.predict(x)
# # print(y)
# print('w1 shape : ' + str(net.params['w1'].shape))
# print('L b1 shape : ' + str(net.params['b1'].shape))
# print('w2 shape : ' + str(net.params['w2'].shape))
# print('L b2 shape : ' + str(net.params['b2'].shape))
# print('w3 shape : ' + str(net.params['w3'].shape))
# print('L b3 shape : ' + str(net.params['b3'].shape))
# 현재 게임판의 타일 상태를 입력으로 받음
# 배열의 인덱스 : 흰 타일(0~11 + 조커) + 검은 타일(0~11 + 조커) => 26개 원소(인덱스 0~25)
# 0 : 흰 타일 0
# 1 : 흰 타일 1
# 2 : 흰 타일 2
# 3 : 흰 타일 3
# 4 : 흰 타일 4
# 5 : 흰 타일 5
# 6 : 흰 타일 6
# 7 : 흰 타일 7
# 8 : 흰 타일 8
# 9 : 흰 타일 9
# 10 : 흰 타일 10
# 11 : 흰 타일 11
# 12 : 흰 조커
# 13 : 검은 타일 0
# 14 : 검은 타일 1
# 15 : 검은 타일 2
# 16 : 검은 타일 3
# 17 : 검은 타일 4
# 18 : 검은 타일 5
# 19 : 검은 타일 6
# 20 : 검은 타일 7
# 21 : 검은 타일 8
# 22 : 검은 타일 9
# 23 : 검은 타일 10
# 24 : 검은 타일 11
# 25 : 검은 조커
# x = np.array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25]])
# print(x)
# y = net.predict(x)
# print(y)
# x_train = (학습) 입력 데이터
# t_train = (학습) 정답
# iters_num = 10000 # 반복 횟수를 적절히 설정한다.
# train_size = x_train.shape[0]
# batch_size = 100 # 미니배치 크기
# learning_rate = 0.1
# train_loss_list = []
# train_acc_list = []
# # test_acc_list = []
# # 1에폭당 반복 수
# iter_per_epoch = max(train_size / batch_size, 1)
# for i in range(iters_num):
# # 미니배치 획득
# # batch_mask = np.random.choice(train_size, batch_size)
# # x_batch = x_train[batch_mask]
# # t_batch = t_train[batch_mask]
# # 기울기 계산
# #grad = network.numerical_gradient(x_batch, t_batch)
# grad = network.gradient(x_batch, t_batch)
# # 매개변수 갱신
# for key in ('W1', 'b1', 'W2', 'b2'):
# network.params[key] -= learning_rate * grad[key]
# # 학습 경과 기록
# loss = network.loss(x_batch, t_batch)
# train_loss_list.append(loss)
# # 1에폭당 정확도 계산
# if i % iter_per_epoch == 0:
# train_acc = network.accuracy(x_train, t_train)
# test_acc = network.accuracy(x_test, t_test)
# train_acc_list.append(train_acc)
# test_acc_list.append(test_acc)
# print("train acc, test acc | " + str(train_acc) + ", " + str(test_acc))
# # 그래프 그리기
# markers = {'train': 'o', 'test': 's'}
# x = np.arange(len(train_acc_list))
# plt.plot(x, train_acc_list, label='train acc')
# plt.plot(x, test_acc_list, label='test acc', linestyle='--')
# plt.xlabel("epochs")
# plt.ylabel("accuracy")
# plt.ylim(0, 1.0)
# plt.legend(loc='lower right')
# plt.show()
if __name__ == '__main__':
net = Network(26, [50, 200, 800], 676)
print('w1 shape : ' + str(net.params['w1'].shape))
print('L b1 shape : ' + str(net.params['b1'].shape))
print('w2 shape : ' + str(net.params['w2'].shape))
print('L b2 shape : ' + str(net.params['b2'].shape))
print('w3 shape : ' + str(net.params['w3'].shape))
print('L b3 shape : ' + str(net.params['b3'].shape))
print('w4 shape : ' + str(net.params['w4'].shape))
print('L b4 shape : ' + str(net.params['b4'].shape))
print('network ready\n')
game = newGame()
m1 = ai(1) # monorial 1
m2 = ai(2) # monorial 2
m1.getTiles(game)
m1.sortTiles(game)
m2.getTiles(game)
m2.sortTiles(game)
game.updateAll(m1, m2) # 패 다 뽑았으면 업데이트
print('m1 : tiles\n' + m1.printTiles(game))
print('m2 : tiles\n' + m2.printTiles(game))
# ai에 turn 메소드가 있어서 자신 턴에 드로우 하고 하는 처리를 만들어도 좋을 것 같음
print('m1 : draw')
m1.drawTiles(game)
game.updatePlayerTiles(1, m1) # 드로우 후 업데이트
print('m1 : tiles\n' + m1.printTiles(game))
print('m1 : view\n' + str(m1.getAiView(game)) + '\n') # m1가 보는 게임판 상황 가져오기
# 인공신경망에 input(test)
test_data = []
test_data.append(m1.tile_view)
x = np.array(test_data)
print(x)
y = net.predict(x)
print(y)
print(y.tolist()[0])
# output을 처리 후 행동
# 원래 정답을 구하고 한 100번?쯤 train
# 2. input data, get output
# 3. output과 answer(상대의 타일)를 비교, get loss
# 4. 기울기 구해 갱신
# 5. 1~4를 자동화시켜서 서로 플레이하며 배우는 방식으로 자동화
# 6. profit!!! (과연 여기까지 올 수 있을까)
# 7. 만약 되면 GUI(웹서버 열던가)