最近，我在观看一个Twitch主播，他正在开发自己的基于深度学习的国际象棋引擎。通过观看视频中的代码，我发现有一点我不太理解，那就是他在准备训练数据（即棋盘表示）时为什么使用逻辑移位。他大致遵循了以下步骤：
- 他获取了一个包含国际象棋游戏的“pgn”格式的数据集
- 对于每场比赛中的每个移动，都会产生一个新的棋盘状态。每个新状态的序列化方式如下：
- 他创建了一个8×8的矩阵来表示这个特定移动后的8×8棋盘
- 矩阵应存储8位无符号整数
- 他将所有棋子放置在棋盘上（即在矩阵中）
- 白棋的定义如下：
{"P": 1, "N": 2, "B": 3, "R": 4, "Q": 5, "K": 6} - 黑棋的定义如下：
{"p": 9, "n": 10, "b": 11, "r": 12, "q": 13, "k": 14} - 这意味着，例如，白色兵在矩阵中被存储为“1”，而黑色王后被存储为“13”
- 在序列化棋盘后，他通过执行一些我不完全理解的逻辑位操作，从原始8×8矩阵生成最终的棋盘状态。新生成的（即最终的棋盘状态）不是8×8，而是5x8x8：
# 初始化新棋盘状态 final_boardstate = np.zeros((5, 8, 8), np.uint8) # old_boardstate 是包含uint8值的初始8x8矩阵 # 我不理解的位操作 final_boardstate[0] = (old_boardstate>> 3) & 1 final_boardstate[1] = (old_boardstate>> 2) & 1 final_boardstate[2] = (old_boardstate >> 1) & 1 final_boardstate[3] = (old_boardstate >> 0) & 1 我想知道是否有人能帮我理解这些操作背后的逻辑？据我所知，他是想创建5个不同的8×8棋盘表示，每个表示基于不同的逻辑移位（3、2、1和0位的逻辑左移）。然而，我不完全确定这个假设是否正确，我也不太明白在棋盘表示的背景下运行这些操作的理由是什么。
回答：
这些棋子的二进制表示如下：P: 0001N: 0010B: 0011R: 0100Q: 0101K: 0110p: 1001n: 1010b: 1011r: 1100q: 1101k: 1110
你可以看到，所有黑棋的左位总是1，而所有白棋的左位总是0。这就是为什么跳过了7和8的原因。通过
(old_boardstate>> 3) & 1
棋子的颜色指示位被移到最右边。& 1 操作移除了所有不想要的位。因此，如果棋子的颜色是黑色，这个表达式会返回1，否则返回0。其余三个位表示棋子的类型，与颜色无关。你不理解的位操作是用来从8位整数中提取各个位，并将它们存储在numpy数组中。numpy数组是神经网络的输入，具有5x8x8的维度，因为每个棋盘位置使用五个输入神经元来表示。
