翻棋强化学习训练

翻翻棋，暗棋的强化学习训练代码 经过了多轮改进，训练过程仍然未能步入正规 A2C和PPO的算法实现有问题，DQN可能是可以正常工作的。至少能否训练到战胜随机策略。 而A2C和PPO表现十分不佳，无法战胜随机策略的对手，部分指标也偏离很远

本仓库 游戏环境的实现，以及状态表示我认为是没有问题的 网络模型可能有点复杂，但是应该是可行的 与ai进行长时间的讨论，以及运行实践。我几乎可以断定问题可能出在训练代码上。

最初我通过mcts，即alphazero的算法迁移到这个游戏。这部分代码可能丢失了 但是同样训练不理想，而且mcts对计算资源的占用远高于 model free的算法

近期的一篇论文军旗的强化实现应该是有参考意义，如果你计划实现翻翻棋ai也许可以参考一下

也许可以试一下 课程学习 全明子+随机策略 -> 暗子+随机策略 -> 暗子+自我博弈

网络模型 和 算法 也许可以选择简单的感知器 以及 dqn