我想知道如何为基于回合的棋盘游戏（如井字游戏、国际象棋、风险或任何其他基于回合的游戏）训练神经网络。通过推理获得下一步行动似乎非常简单，将游戏状态作为输入并将输出用作当前玩家的行动。然而，为此目的训练人工智能似乎并不那么简单，因为：
所以我想知道如何为基于回合的棋盘游戏训练神经网络？我想使用 tensorflow 为井字游戏创建一个神经网络。
好问题！NN 对这类问题非常有前途：长颈鹿国际象棋。Lai 的成就被认为是一个相当大的成就，但不幸的是在 AlphaGo 成为聚光灯前几个月。（结果一切顺利，Lai 随后被 DeepMind 聘用，尽管对 Giraffe 引擎来说不是很好；）
我发现赖的方法很有帮助，并且得到了可靠结果的支持。
您可能想要使用“顺序”而不是“基于回合”，因为顺序是博弈论和组合博弈论中的首选术语，这些领域将数学分析应用于游戏。
您列出的游戏被进一步称为“抽象”，以将它们与现代战略棋盘游戏或一般游戏区分开来，后者利用强烈的主题并且在机制和元素方面通常不如抽象游戏紧凑。需要注意的是，抽象游戏不仅限于顺序游戏或棋盘游戏，甚至不限于游戏，例如数独等谜题。
这组游戏的正式名称通常是“党派、顺序、确定性、完美信息”，井字游戏进一步分为“琐碎”（已解决且容易解决）和非琐碎（难以解决且未解决）的游戏。象棋和围棋之类的游戏。
我是一名国际象棋选手，我的答案只会在国际象棋上。
用强化学习训练神经网络并不是什么新鲜事，在文献中已经做过很多次了。
我将简要解释常见的策略。
网络的目的是学习位置评估。我们都知道女王比主教更强大，但是我们可以在不明确编程的情况下让网络知道它吗？典当结构呢？网络是否了解如何评估一个位置是否获胜？
现在，我们知道为什么需要网络，我们需要设计它。研究之间的设计根本不同。在深度学习流行之前，人们使用的是浅层网络。如今，多层网络脱颖而出。
一旦我们有了网络，您就需要制作一个国际象棋引擎。神经网络本身并不能神奇地下棋，它需要连接一个国际象棋引擎。幸运的是，我们不需要编写位置评估代码，因为网络可以为我们做到这一点。
现在，我们必须玩游戏。我们可以从一些高质量的国际象棋数据库开始，或者让我们的 AI 代理与另一个玩家（例如它自己、另一个 AI 代理或人类）玩游戏。这被称为强化学习。
当我们玩游戏时，我们会更新网络参数。这可以通过随机梯度下降（或其他类似技术）来完成。只要我们愿意，我们就会重复我们的训练，通常是数百万次迭代。
最后，我们有一个经过训练的国际象棋神经网络模型！
详情请查看以下资源：
我认为你应该熟悉强化学习。在这个机器学习领域，代理与其环境进行交互，然后代理获得一些奖励。现在，代理是神经网络，环境是游戏，代理可以在获胜时获得奖励 +1，如果失败则获得 -1。你可以使用这个状态、动作、奖励经验元组来训练代理。我也可以推荐 David Silver 在 youtube 上的讲座和 Sutton 的书。