使用基于AI的机器人的Checkers（草稿）策略棋盘游戏
该项目旨在展示神经网络学会玩跳棋游戏的能力。
训练有素的网络用于指导搜索算法-Minimax，并用alpha -beta修剪
选择游戏中最有希望的举动。
神经网络用于评估董事会状态，它将董事会状态作为输入，输出值在-1和1之间
（值接近-1->白色获胜，值接近1->黑色获胜）。 Alphazero将其引入了“价值网络”。
当前，神经网络只是具有6个隐藏层的MLP（多层perceptron）模型：
- >输入层的32个神经元|隐藏层的64、64、128、128、256、256，输出层的1个神经元
我正在研究时间差学习方法（TD LEAF），看起来比MLP ATM好。
（需要一些时间才能充分培训模型）。
主要思想是使用监督的学习（预先）培训一些模型，然后通过自我播放，DeepMind对Alphazero的作用来改进该模型。
- > http：//www.fierz.ch/download.php
大约有20000场比赛，结果大多是绘制的（大约14000） - 对于神经网来说，结果不太好，但我找不到更好的ATM。
1. python main.py # runs web server on localhost:5000
2. Web browse to localhost:5000
At this phase game does not support (interface) validation and multiple jumps so dont use it right now :)
Console version is fully featured (it supports validation and multiple jumps)
