斗地主的深度学习方案

原论文出处:
https://openreview.net/pdf?id=rJzoujRct7&utm_source=wechat_session&utm_medium=social&utm_oi=40

中文另外一个翻译版本
https://kknews.cc/zh-sg/news/5z8nj36.html

摘要

最近深度神经网络已经取得了超越人类的成绩，例如围棋，国际象棋，日本象棋。 与围棋相比，斗地主是一种非完美信息博奕(有不公开的信息，随机)多轮合作和竞争的游戏。它是当前国内广泛流行的游戏。我介绍一种使用卷积神经网络的玩斗地主的方法。无需任何搜索，该神经网络击败了最好的AI程序，击败了最好的业余玩家。

介绍

斗地主是一种易学难精的扑克游戏。它在腾讯游戏平台的日活量达到1.54千万。与围棋相比，斗地主属于非完美信息博奕游戏，初始手牌完全是随机的。三个人的游戏中，游戏玩家每局都拿到不同的手牌，并且他不知道另外两名玩家的手牌。三名玩家中，要确定1名地主，2名农民。农民需要互相配合才能打败地主。CNN（卷积神经网络）是比较好的一种解决AI游戏的方法，我们选用CNN是基于以下的理由：

1. CNN 在完美博奕中已经超越人类。
2. 斗地主中牌型有大小之分。例如上家出3,4,5,6,7; 玩家可以出4,5,6,7,8; 这是符合出牌规则的。但是反过来就不行，例如上家出4,5,6,7,8.那么玩家出3,4,5,6,7就不符合规则了。

目前为止，还没有斗地主的卷积神经网络程序。在斗地主这种非完美博奕中,CNN能否可以有比较好的表现仍然有待证明。在做决定时结局是模糊不清的，这一点上斗地主与围棋是一样的。和围棋一样，斗地主很难评估在众多选择中，哪一个选择价格最高。由于斗地主是有队友的，第一个问题是要教会神经网络如何配合，如何帮助队友打完手牌。另一个我们感兴趣的问题，神经网络是否能够以人类专家的逻辑去分析。DeepRocket是我们开发的取得相当成绩的神经网络。我们证明了这个神经网络可以配合和推理。在下一节，我们将介绍相关的神经网络。在第3节介绍论文中用到的关键述语。第4节将介绍具体组件，包括出牌网络，带牌网络。第5节展示如何做实现以及它与之前的AI和人类作比较。最后第6节描术了它有什么问题需要改善。

2 目前为止，Libratus 和DeepStack是最好的人工智能程序。（其它不重要，省略了）

3 斗地主术语

当前玩家：是指第一人称的这位玩家。
下家：是指当前玩家的下一位玩家。
上家:是指当前玩家的上一位玩家，斗地主只有3人玩，也就是下下家了。

地主：是指抢地主时抢分数最高的那位。
农民1:是指地主的下家
农民2:是指地主的上家

地主牌：是指最后三张，交给地主的牌

一轮：是指3位玩家各出一次。例如:”3,3;9,9;pass”就是一轮。
分类：是指所有合法的牌型，例如一对，三带一是合法的，33345是不合法的。
主牌和带牌：三带一张，三带一对，飞机，四带二，这些牌型才会有带牌，比如3331,三个3是主牌，1是带牌。
分组:是指不同分类分隔，例如 334567,分组成3,34567这两个分类。
主动出牌：是指玩家可以出任意的牌。例如斗地主出的第一手牌。又比如你出了王炸之后所有人都Pass, 这时你可以出手上的任何一手牌，这时称为主动出牌。
被动出牌：是指你要出什么牌，要取决于上一手的出牌。例如，上家出3,4,5,6,7;你只能出顺子或者炸弹。

4 DeepRocket 基础网络

DeepRocket系统包括三部分，抢地主模块，策略网络，带牌网络。开始游戏时，先调用抢地主模块，它输出分数用来决定是否抢地主。在出牌前调用策略网络，它将输出主牌。如果还需要带牌，那么还需要调用带牌网络。如下图所示:

图片 1.png

1. 游戏开始
2. 是否抢地主
3. 不抢时进入出牌阶段。
4. 抢地主时，发三张地主牌。
5. 出牌时调用策略网络。
6. 根据策略网络返回值决定打什么牌。

策略网络和带牌网络

图片 2.png

4.1 抢地主模块

首先，在开始打牌之前，需要确定谁是地主，我们设计了这个模块用于决定是否抢地主。这个模块是基于代码逻辑来实现的，像人类的专家一样，主要考虑手上的控制牌例如大小王，2,A的个数，以及组合牌的情况，例如顺子，飞机多不多。

但事实上，也可以使用简单神经网络进行训练，输入数据为起手牌，标签为是否抢地主，0表示不抢，1表示抢。
从以往的打牌数据中，收集抢地主以后，打牌结果是输或者是赢。就可以训练出来。

4.2 策略网络

像AlphaGo一样，我们使用监督学习来预测人类专家的行为。策略网络包含了10层CNN和1 个使用Relu激活函数的全连接层。最后一层使用Softmax激活函数来指出所有合法的出牌的概率分布。输入的数据中包括了游戏的状态，用于表示当前状态是抢地主状态还是策略出牌的状态。策略网络是基于state-action对 (s,a)样例来训练的。我们使用了8百万条数据进行策略网络进行训练。一条数据表达了一局完整的游戏，它可以分解成多个state-action对。它可能是几轮到20多轮，这个轮数取决于游戏记录的长度。例如：
扑克牌:
4456777889JKKAA2B;
335567899TTJJKAA2;
4456689TTJQQQK22S
地主牌:33Q

游戏过程:0,33;1,55;2,66,0,77,1,aa;1,6;2,T;0,j;1,k;0,2;2,S;2,44;0,KK;2,22;2,89TJQK;2,QQ;0,AA;0,56789;1,789TJ;1,3;2,5

如果我想训练地主下家的打牌习惯，打牌过程就需要分解成下表所示的state-action对。

下表显示用于训练地主下家角色的state-action对，一局牌的出牌过程:

图片 3.png

1. 第一轮:地主出一对3,这时玩家需要出一对5
2. 第二轮: 地主出一对3,玩家出一对5,地主上家出一对7; 这时玩家出一对A
3. 第三轮:所有人Pass之后，玩家出一张6
4. 第四轮:地主下家出一张10,地主出一张J, 这时玩家出一张K

0:表示地主，1:表示地主下家，2:表示地主下家
策略网络的输入数据是一个15X19X21的三维二进制tensor.(我们使用X ,Y, Z来表示这三维数据)
X维数据表示手牌的点数，从3,4,5,6,7,8,9,T,J,Q,K,A,2,S,B 分别表示3到大王，共15位。
Y维数据表示各个牌型的情况:单张，一对，三条，四条, 连对，顺子，三带一单，三带一对，2飞机带单，2飞机带对，飞机不带牌，炸弹，王炸, 3飞机带单，3飞机带对, 4飞机带单，4飞机带对, 5飞机带单 等共19位。
Z维数据表示每轮的顺序信息，这是用AlphaGo模型中学来的设计。为了统一长度，统一使用了21位数组, Z维数据用于表示最近的6轮的信息, 如下表所示。

图片 4.png

经过模型测试，发现512个滤波器是最为稳定的，经过重复测试，使用不同的学习步长，发现10层CNN性能最好.
策略网络输入309种决策概率，然后我们加上带牌网络到DeepRocket中，请参考table3.

图片 5.png

是不能构成飞机的。

为了易于理解，把上面单张，一对，三张，四张，顺子，飞机的所有牌型穷举出来。

3条.png

4条.png

单张.png

对子.png

飞机不带牌.png

飞机带单.png

飞机带对.png

顺子.png

4.3 带牌网络

有了抢地主模块以及策略网络之后，原则上已经可以了。但是，怎么带牌同样是一个问题。如果主牌有n种选择，带牌有m种选择。那么总共就有m * n 种出牌的可能性。例如三带一张中，三条共有13种可能，可以带的牌有14种可能(从3到大小王，减去1), 那么出牌总共有13 * 14种可能性。在某些时候，玩家有飞机(例如333444) 飞机长度为i(例如333444飞机长度为 2), j 为可以带的牌。那么它总共有i * j 种选择。例如333444555666789J是合法的牌型，但是在8百万个游戏记录中却很少出现。所以主牌+带牌的这种牌型需要额外处理，而带牌又有不同的带牌规则，带一单张，带一对，带2单张,带2对等等；而带牌规则将由策略网络预测出来。

为了解决这个问题，我们加了这个额外的带牌网络。带牌网络的输入包括手牌以及策略网络预测出来的带牌规则，它是一个15 * 9 * 3的3维Tensor。X维表示什么牌，这个跟策略网络中定义是一样的。
Y维与Z维如表4所示

图片 6.png

Y维与Z维，主要收集了以下信息:

1. 带牌类型（单张/对子）角色(地主，地主下家，地主上家)剩余手牌，合法的单张对子。
2. 游戏的记录信息（还有几轮打完）主牌长度，带牌长度
3. 剩余的牌，合法的牌以及其它特征。

带入了带牌网络之后，策略网络只需要预测主牌，以及带牌类型，以及带牌长度就可以了。否则策略网络的输出标签就不止309种了，而是好几千。但是事实上带牌的组合对牌型的大小来说并不重要,例如333444555666789J和333444555666789Q大小是一样的，策略网络只需要输出的信息里包括主牌333444555666,带牌类型为带单张，飞机长度为4就可以了。然后在带牌网络中就会预测出789J或者789Q这样的组合牌出来。

带牌网络的输入包括了以下信息，剩余手牌以及从策略网络输出的信息(如主牌，带牌类型,飞机长度)，它是一个15 * 9 * 3的三维 tensor.
带牌网络的输出是28个可能性，代表15个单张，13个对子。
带牌网络包含了5层的CNN和一个全连接层，每次输出一种可以带的牌。例如带牌网络预测333444带2单的情况，它会调用带牌网络2次，每次一张最有可能带出的牌，然后再调用一次。

5 实验

5.1 实验建立
我们收集了8百万条游戏数据，并且把它分出来大概8千万个state-action对。90%的数据为训练集，10%的数据为测试集。然后把数据输入到模型中进行训练，最后使用TFRecords把模型保存到硬盘上。这并不只是为了方便更改模型参数，它还可以让训练更快。大概每次花20个小时就可以训练好策略网络了。策略网络的batch size是256. 策略网络在测试集中的准确率为88左右。使用i7-7900X CPU, NVIDIA 1080TiGPS Ubuntu 16.04系统，策略网络每次计算只需要0.02秒左右。

带牌网络同样也是采用监督学习来训练的，所有样本同样来自于8百万条数据。带牌网络达到90%的准确率，它甚至比策略网络更好。
我们曾经更改过层数，滤波器，以及其他参数得到很多模型。基至使用Duplicate Mode来测试它，比较了10000局游戏中地主的积分之后，我们最终选择了最优的模型。

5.2 与其它 AI模型比较
MicroWe曾经在斗地主的人工智能比赛中赢得了多个奖项,在DeepRocket出现之前，它是最优秀的斗地主模型。
图三，图四显示了这两个模型的测试情况。我们总共测试了50000局游戏。需要特别解释的是，我们发了20张牌给一个人，然后指定他为地主。因此地主赢的机会比较少。其中 DR VS MW 表示 DeepRocket 为地主，MicroWe为地主上家。

t1.png

t2.png

我们可以得出结论DeepRocket 明显优于MicroWe，它曾经是最好的斗地主AI.

5.3 与人类专家比较

举行了一次测试比赛，我们邀请了4名顶尖的业余玩家参加。我们复制了多个模型，让AI玩家与人类玩家进行比赛。DeepRocket击败了人类团队以30比24胜出。请参阅后面附件。

5.4合作推理

在 DR 的游戏记录中，我们找到了一个典型的例子能够展现其良好的合作能力（T：10；B：大王；S：小王。其中冒号之前表示玩家，冒号后表示打出的牌，以分号作为某玩家出牌结束标志，0 代表地主）

牌面：

4456777889JKKAA2B;

335567899TTJJKAA2;

4456689TTJQQQK22S;

33Q;

游戏进程：

0,33;1,55;2,66;0,77;1,AA;1,6;2,T;0,J;1,K;0,2;2,S;2,44;0,KK;2,22;2,89TJQK;2,QQ;0,AA;0,56789;1,789TJ;1,3;2,5;

以上加粗部分是关键步骤，在游戏的最后 DR 打出一张“3”来帮助队友取得胜利，由此可见 DR 具有良好合作能力的。

我们也找到了一个能够展现 DR 推理能力的例子：

牌面：

33345578TTJKKA22S;

34566789TQQQKKAA2;

4456678999TJJQA2B;

78J;

游戏进程：

0,345678;1,56789T;0,6789TJ;0,QQQKK;0,AA;2,22;2,55;2,3334;2,TT;2,A;0,2;

以上加粗部分是关键步骤，虽然最后农民输了，但是他选择打“A”是一个不错的选择，因为地主只剩一张牌，而农民手里还有 （“7, 8, J, A, S”）五张牌，选择出“A”也是人类专家的正常逻辑，DR 能够从人类中学到此行为。

展望

虽然，我们已经证明了 CNN 能够预测斗地主游戏中玩家的行为，并与队友进行合作；在没有任何的 MCTS 之下能达到顶级选手的水平甚至更高。但是，我们也还有许多方面要进行完善。第一个是强化问题，直接将应用在 AlphaGo 的方法移植到 CCP 中是行不通的；第二个是关于 Monte Carlo 搜索或者 MCTS 的问题

在未来，DR 可以在以下方面进行改进：

叫地主的方式可以改进，在抢地主的过程中只有 0、1、2 和 3 是正确操作，0 代表玩家不想当地主。我们将尝试用深度神经网络去训练叫地主的方式。
我们将尝试使用随机权重训练模型。
我们将训练分别代表三个角色的三个输出模型。

笔者按：这里原作者在策略网络中，输入数据并没有很好的解释清楚。
15 * 19 * 21中，
X代表所有的牌，这个很清楚了。
但是Y代表所有的牌型，这个还不是很清楚为什么是19. 并且没有展示数据是怎么子的。

另外，当有癞子的玩法时，模型应该怎么改造也没有提及到。
最后我也预祝作者的论文被成功接收，今后在这个项目上还可以再有进展！