成都麻将Ai

项目目录结构

1. 项目根目录

• README.md：描述项目的目标、规则实现、训练流程和使用方法。
• requirements.txt：列出项目依赖的库，例如 torch、gym、numpy 等。
• setup.py：如果希望将项目打包为模块供他人使用，可以在此配置。

2. 配置目录 (configs/)

• training_config.yaml：包含训练超参数，如学习率、批量大小、强化学习算法的参数。
• game_rules.yaml：定义麻将规则，如番种加分规则、牌的花色、缺一门规则等。

3. 数据目录 (data/)

• raw/：存储原始麻将对局数据（如网络抓取或模拟对局）。
• processed/：存储格式化后的训练数据，例如 Numpy 数组或 Tensor 格式。
• self_play/：存储自我对弈产生的对局记录，用于强化学习。

4. 模型目录 (models/)

• checkpoints/：保存模型的中间状态，用于断点恢复训练或版本管理。
• trained_model.py：最终导出的模型文件，可直接加载和部署。

5. 核心代码目录 (src/)

游戏引擎 (engine/)

• mahjong_engine.py：实现成都麻将规则，包括摸牌、打牌、碰、杠、胡牌等逻辑。
• game_state.py：描述麻将局面状态的建模，包括手牌、牌河、明牌等。
• utils.py：通用工具函数，例如洗牌、牌序转换等。

AI 模块 (ai/)

• model.py：定义 AI 的深度学习模型（例如基于卷积或 Transformer 的网络）。
• training.py：训练脚本，包含监督学习或强化学习的逻辑。
• evaluation.py：评估模型表现的代码，支持对局胜率、番数统计等。
• self_play.py：实现自我对弈逻辑，用当前模型生成新训练数据。

强化学习环境 (environment/)

• gym_env.py：封装麻将引擎为 OpenAI Gym 环境，用于强化学习训练。
• reward.py：定义奖励函数，例如胡牌加分、放炮减分等。

数据处理 (data_processing/)

• preprocess.py：从原始数据中提取特征并转化为模型输入格式。
• augmentation.py：数据增强方法，例如随机调整牌序、模拟不同对局风格。
• data_loader.py：实现批量加载数据的逻辑。

单元测试 (tests/)

• 测试麻将引擎、AI 模型和强化学习环境的模块，确保代码可靠性。

6. 脚本目录 (scripts/)

• train.py：启动训练流程，包括加载数据、定义模型和运行训练。
• evaluate.py：加载模型并运行评估对局。
• self_play.py：启动 AI 自我对弈，生成强化学习数据。
• preprocess_data.py：将原始数据预处理为训练格式。

7. 日志目录 (logs/)

• 记录训练过程中的指标、对局日志和评估结果。

成都麻将规则：

• 成都麻将使用的是108张牌，包括条、筒、万三种花色，每种花色从1到9各四张，没有东南西北风牌和中发白字牌。

基本规则

• 缺一门：玩家必须选择缺少一种花色（条、筒、万中的任意一种），即只能用两种花色来胡牌。如果手中只有单一花色，则为清一色。
• 定缺：游戏开始时，每位玩家需要扣下一张牌作为自己缺的那门，并且不能更改。如果本身就是两门牌，则可以报“天缺”而不扣牌。
• 起牌与打牌：庄家通过掷骰子决定起牌位置，然后按顺序抓牌。庄家先出牌，之后每家依次摸牌打牌。
• 碰、杠：允许碰牌和杠牌，但不允许吃牌。杠牌分为明杠和暗杠，明杠是其他玩家打出的牌被你碰后又摸到相同的牌；暗杠则是你自己摸到四张相同的牌。
• 胡牌：胡牌的基本条件是拥有一个对子加上四个顺子或刻子（三个相同牌）。自摸为三家给分，点炮则由放炮者给分。
• 血战到底：一家胡牌后，其他未胡牌的玩家继续游戏，直到只剩下最后一位玩家或者黄庄（所有牌都被摸完）为止。

特殊规则

• 下雨：指杠牌，分为明杠和暗杠，明杠只收一家的钱，而暗杠可以收三家的钱。
• 查叫：当出现黄庄时，需要检查每个玩家是否已经听牌（即差一张牌就能胡牌的状态），如果没有听牌，则可能需要赔偿其他玩家。

胡牌番数

• 根据不同的胡牌方式，有不同的计分方法。例如，清一色、带根（有额外的杠）、对子胡等都有相应的加分规则。

详细番数计算

1. 平胡（基本胡）：四坎牌加一对将，四坎牌可以是刻子或顺子，计为1番。

2. 清一色：

   • 不带杠的清一色称为“素清”，计为2番。
   • 带杠的清一色或清一色对子胡（简称“清对”）计为3番，称为“极品”。
   • 带两杠的清一色或清一色对子胡带杠计为4番，称为“极中极”或“精品”。

3. 带幺九：

   • 带幺九：指玩家手上的牌全部是由1和9组成的顺子、刻子或对子。例如，123, 789, 111, 999, 11等。计为3番。

   • 清带幺九：指玩家手上的牌不仅全部由1和9组成，而且是同一花色（条、筒、万），即清一色的带幺九。计为1番。

4. 七对：手牌由7个对子组成，计为2番。

5. 全求人：所有牌都是通过碰、杠、吃别人打出的牌来完成的，计为6番。

6. 龙七对：七对中有一对是三张相同的牌，计为12番。

7. 清七对：全部由一种花色组成的七对，计为12番。

8. 杠上开花：在杠牌之后立即自摸胡牌，计为1番。

9. 抢杠胡：当其他玩家明杠时，你正好可以胡那张牌，计为1番。

10. 天胡：庄家起牌后直接胡牌，计为12番。

11. 地胡：闲家在第一轮打牌时就胡牌，计为12番。

12. 大对子：手牌由四个对子加一个刻子组成，计为2番。

13. 小七对：有六对加上一个对子，计为2番。

14. 金钩吊：手上只剩下一张牌等别人打出，然后胡牌，计为1番。

15. 海底捞月：最后一张牌被玩家摸到并胡牌，计为1番。

16. 海底炮：最后一张牌被打出，导致玩家胡牌，计为1番。

这些番数可以叠加，例如，如果一个玩家同时满足了清一色和七对，那么他的总番数就是2番（清一色）+ 2番（七对）= 4番。

计分规则

• 基本分值：每番的具体分值可以根据不同的玩法和地区有所不同，但一般情况下，每番的分值可以设定为一个固定的数值，比如5分、10分等。
• 翻倍规则：某些地方可能会有额外的翻倍规则，例如，如果胡牌者是在“海底捞月”或“杠上开花”等特殊情况下胡牌，可能会有额外的加分。

**自摸 **：是指玩家通过自己摸牌完成胡牌。自摸时，其他玩家都需要给赢家支付相应的分数。

成都麻将规则建模

麻将游戏引擎建模代码于项目根src/engine/目录下。

PPO（Proximal Policy Optimization）算法

TensorBoard 通常会记录和可视化多种训练指标。你提到的这些图表代表了 PPO 训练过程中的不同方面。下面是对每个图表的解释：

1. train/loss

• 含义：总损失函数值。
• 用途：这是所有损失项的综合，包括策略梯度损失、价值函数损失等。通过观察这个指标，可以了解整个训练过程中的总体损失趋势。

2. train/policy_gradient_loss

• 含义：策略梯度损失。
• 用途：这表示策略网络更新时的损失。PPO 通过剪裁来限制策略更新的幅度，以确保稳定的学习过程。观察这个指标可以帮助你了解策略更新的情况。

3. train/value_loss

• 含义：价值函数损失。
• 用途：这表示价值网络（用于估计状态值或状态-动作对的价值）的损失。价值函数的准确性对于评估策略的好坏非常重要。通过观察这个指标，可以了解价值网络的学习情况。

4. train/learning_rate

• 含义：当前的学习率。
• 用途：学习率是优化器的一个重要超参数，控制着每次更新时权重调整的幅度。观察学习率的变化可以帮助你了解学习率调度策略的效果。

5. train/explained_variance

• 含义：解释方差。
• 用途：这是一个衡量价值函数预测与实际回报之间差异的指标。解释方差越接近 1，说明价值函数的预测越准确。通过观察这个指标，可以评估价值函数的性能。

6. train/entropy_loss

• 含义：熵损失。
• 用途：熵损失鼓励策略具有一定的随机性，以防止过早收敛到局部最优解。通过观察这个指标，可以了解策略的探索程度。

7. train/clip_range

• 含义：剪裁范围。
• 用途：PPO 使用剪裁来限制策略更新的幅度，以确保稳定性。剪裁范围是一个重要的超参数，决定了剪裁的严格程度。观察这个指标可以帮助你了解剪裁策略的效果。

8. train/clip_fraction

• 含义：被剪裁的比例。
• 用途：这个指标表示有多少比例的更新被剪裁。如果剪裁比例很高，可能意味着你的策略更新过于激进，需要调整剪裁范围或其他超参数。

9. train/approx_kl

• 含义：近似 KL 散度。
• 用途：KL 散度衡量新旧策略之间的差异。PPO 通过控制 KL 散度来确保策略更新的稳定性。通过观察这个指标，可以了解策略更新的幅度和稳定性。

总结

这些图表提供了关于 PPO 训练过程的全面视图，帮助你监控和调试模型。以下是每个图表的主要用途：

• train/loss：总体损失，反映训练的整体进展。
• train/policy_gradient_loss：策略梯度损失，反映策略网络的更新情况。
• train/value_loss：价值函数损失，反映价值网络的学习情况。
• train/learning_rate：学习率，反映优化器的设置。
• train/explained_variance：解释方差，反映价值函数的准确性。
• train/entropy_loss：熵损失，反映策略的探索程度。
• train/clip_range：剪裁范围，反映策略更新的限制。
• train/clip_fraction：被剪裁的比例，反映策略更新的稳定性。
• train/approx_kl：近似 KL 散度，反映策略更新的幅度和稳定性。