我希望构建一个使用人工神经网络的四子棋引擎——仅仅因为我着迷于神经网络。

我创建了以下神经网络结构的草案。它能工作吗？这些连接是否正确（即使是交叉连接）？

你能帮我为这个神经网络起草一个 UML 类图吗？

我想把棋盘的状态表示作为神经网络的输入，输出应该是选择的下一步动作。

之后的学习应该使用强化学习，并应用sigmoid 函数。该引擎将与人类玩家对战。并且根据游戏的结果，权重应该被相应地调整。

我正在寻找的是…

…主要是编码问题。它越远离抽象思维，越接近编码——就越好。

回答：

以下是我在研究神经网络时组织我的设计和代码的方式。这里的代码（显然）是伪代码，大致遵循面向对象的约定。

从下往上，你将拥有你的神经元。每个神经元需要能够保存它对传入连接施加的权重，一个用于保存传入连接数据的缓冲区，以及它的传出边的列表。每个神经元需要能够做三件事：

• 一种从传入边接受数据的方式
• 一种处理输入数据和权重以形成该神经元将要发送的值的方法
• 一种在传出边上发送该神经元的值的方式

在代码方面，这转化为：

// 每个神经元需要跟踪这些数据float in_data[]; // 发送到该神经元的值float weights[]; // 每条边的权重float value; // 该神经元将要发送的值Neuron out_edges[]; // 该神经元应该发送数据的每个神经元// 每个神经元应该公开以下功能void accept_data( float data ) {    in_data.append(data); // 将数据添加到传入数据缓冲区}void process() {    value = /* 在这里组合权重和传入数据的结果 */;}void send_value() {    foreach ( neuron in out_edges ) {        neuron.accept_data( value );    }}

接下来，我发现如果您创建一个包含神经元列表的 Layer 类最容易。（完全可以跳过这个类，让你的 NeuralNetwork 只是持有一个神经元列表的列表。我发现有一个 Layer 类在组织和调试方面更容易。）每层应该暴露以下能力：

• 导致每个神经元“触发”
• 返回此 Layer 包裹的原始神经元数组。（当您需要做一些事情，例如手动填充神经网络第一层中的输入数据时，这很有用。）

在代码方面，这转化为：

//每层需要跟踪这些数据。Neuron[] neurons;//每层应该公开以下功能。void fire() {    foreach ( neuron in neurons ) {        float value = neuron.process();        neuron.send_value( value );    }}Neuron[] get_neurons() {    return neurons;}

最后，你有一个 NeuralNetwork 类，它包含一个层列表，一种用初始数据设置第一层的方法，一种学习算法，以及一种运行整个神经网络的方法。在我的实现中，我通过添加一个由单个假神经元组成的第四层来收集最终输出数据，该神经元只是缓冲所有传入数据并返回它。

// 每个神经网络需要跟踪这些数据。Layer[] layers;// 每个神经网络应该公开以下功能。void initialize( float[] input_data ) {    foreach ( neuron in layers[0].get_neurons() ) {        // 在这里进行设置工作    }}void learn() {    foreach ( layer in layers ) {        foreach ( neuron in layer ) {            /* 将神经元的计算值与其应生成的值进行比较，并相应地调整权重             */        }    }}void run() {    foreach (layer in layers) {        layer.fire();    }}

我建议从反向传播作为您的学习算法开始，因为它据说是最容易实现的。当我在研究这个时，我很难找到一个非常简单的算法解释，但我的笔记将这个网站列为很好的参考。

我希望这足以让你开始！