Update README.md

README.md

@@ -1,259 +1,11 @@
 # Monorial
-Monorial(모노리얼) is an AI for the [Coda](https://en.wikipedia.org/wiki/Coda_(board_game))  game.
+Monorial(모노리얼) is an game for the [Coda](https://en.wikipedia.org/wiki/Coda_(board_game))  game.
 
 Coda is usually known as Da Vinci Code(다빈치 코드).
 
+~~AI 만들려고 만든 repo인데 걍 게임이나 만들려고~~
+
 ## Gameplay of Coda
 
 - https://en.wikipedia.org/wiki/Coda_(board_game)
 - https://namu.wiki/w/%EB%8B%A4%EB%B9%88%EC%B9%98%20%EC%BD%94%EB%93%9C(%EB%B3%B4%EB%93%9C%20%EA%B2%8C%EC%9E%84)
-
-## Implementation
-
-### Basic concept of idea
-Machine Learning needs...
-
-- data
-- output
-- target function
-- algorithm to minimize loss
-
-On our application...
-
-- data : AI가 알고 있는, 현재 게임판의 타일 상태
-- output : 상대의 타일 하나를 reasoning한 결과
-- target function : 현제 게임판의 타일 상태를 입력으로 하고, 상대의 타일 하나를 예측해서 가져온다.
-- algorithm to minimize loss : 상대의 타일 하나를 맞추는 데 성공했는가?
-
-장기적으로 게임을 바라보고 bluffing 등의 전략을 하는 경우도 있지만 이는 생각하지 않는다.
-
-### Things to consider
-
-- 조커가 들어온 경우 이를 어디에 place할지도 AI가 직접 정해야 함
-- 어떤 타일을 reasoning하는 것이 가장 유리할지 선택해야 함
-
-### End-to-end machine learning
-조커 place 문제만 나중에 살펴보고, 일단 기본적으로 end-to-end machine learning(사람의 개입 없이 출력을 얻음)으로 하고 프로그램 두 대를 서로 dual시키며 플레이하는 방식으로 이들을 학습시킬 데이터를 얻기로 함 
-
-따라서 개발 순서는...
-
-1. neural network (초기 가중치는 랜덤으로 적절히 조절)
-2. input data, get output
-3. output과 answer(상대의 타일)를 비교, get loss
-4. 기울기 구해 갱신
-5. 1~4를 자동화시켜서 서로 플레이하며 배우는 방식으로 자동화
-6. profit!!! (과연 여기까지 올 수 있을까)
-7. 만약 되면 GUI(웹서버 열던가)
-
-몰라... 일단 다 야매로 시작하는 거야!
-
-# 인공신경망 만들기
-
-## 딥러닝 특)
-무식한 본인 기준이다.
-
-1. 개요 부분만 보면 뭔 내용일지 알 것 같은데 정작 몇 페이지 더 가면 생전 듣도 보다 못한 수식이며 기호가 등장
-2. 이렇게 활용해야 할지 감이 안 잡힘
-
-## 야매로 AI 코딩하기
-```Python
-#!/usr/bin/env python
-# -*- coding: utf-8 -*-
-```
-일단 무작정 `app.py` 파일을 만들었다.
-```Python
-# 1. neural network (초기 가중치는 랜덤으로 적절히 조절)
-# 2. input data, get output
-# 3. output과 answer(상대의 타일)를 비교, get loss
-# 4. 기울기 구해 갱신
-# 5. 1~4를 자동화시켜서 서로 플레이하며 배우는 방식으로 자동화
-# 6. profit!!! (과연 여기까지 올 수 있을까)
-# 7. 만약 되면 GUI(웹서버 열던가)
-```
-위에서 생각했던 개발 순서를 주석으로 달아두었다.
-
-가만히 생각해보니 1번 단계부터 구현하기 매우 어렵네...
-
-<밑바닥부터 시작하는 딥러닝>의 예제 코드를 이용하려 했건만 그것도 쉽지 않다.
-
-그냥 꼼수부릴 생각은 버리고 처음부터 읽으면서 직접 짜야겠다.
-
-## 신경망 각 층의 배열 형상
-
-### 1차 구상
-
-![picture 1](images/pic_1.png)
-
-입력은 모든 타일 `(0~11 + 조커)*(흑&백)=13*2=26`, 26개 원소로 구성된 현재 타일 상태이고,
-
-출력 역시 원소 26개로 구성된 1차원 배열이다.
-
-일단은 위 그림과 같이 3층으로 구성된 신경망부터 만들어보자.
-
-입력과 출력의 각 원소는 상태에 따라 아래 세 값 중 하나를 가진다.
-
-- `0(상태를 알 수 없음)`
-- `1(AI가 가진 타일)`
-- `2(상대방이 가진 타일)`
-
-#### 구현
-
-```Python
->>> net = Network(26, [50, 100], 26)
->>> net.params['w1'].shape
-(26, 50)
->>> net.params['w2'].shape
-(50, 100)
->>> net.params['w3'].shape
-(100, 26)
-```
-형상 구현 성공! 이렇게 하면 대충 될 것 가따.
-
-```
-w1 shape : (26, 50)
-L b1 shape : (50,)
-w2 shape : (50, 100)
-L b2 shape : (100,)
-w3 shape : (100, 26)
-L b3 shape : (26,)
-```
-편향까지 보면 요렇게 나온다.
-
-#### 헉
-
-```Python
->>> from app import *
->>> x = np.random.rand(1, 26)
->>> t = np.random.rand(1, 26)
->>> net = Network(26, [50, 100], 26)
->>> grads = net.numerical_gradient(x, t)
-(에러 발생)
-PS C:\Users\JunhoYeo\Documents\GitHub\monorial>
-```
-
-헉!! 기울기 산출에 책에 나온 수치 미분 함수를 썼더니 `Python의 작동이 중지되었습니다`라면서 terminated되었다ㅠㅠ
-
-결국 오차역전파법을 써야 하나 보다...
-
-https://stackoverflow.com/questions/36061994/sklearn-cross-validation-raises-indexerror-arrays-used-as-indices-must-be-of-in
-
-구현 중에 `-np.sum(np.log(y[np.arange(batch_size), t])) / batch_size`에서 `IndexError: arrays used as indices must be of integer (or boolean) type`라며 에러가 나길래 위 글 참고, 
-
-`.astype('int64')`를 붙여서 `-np.sum(np.log(y[np.arange(batch_size), t.astype('int64')])) / batch_size` 이렇게 수정했더니 정상적으로 작동했다.
-
-책 예제코드 써서 일단 3층짜리 신경망에 적용해뒀다.
-
-일단 커밋하고 나머지는 학교 컴실에서 해야지
-
-## 응 아니였다(2차 구상)
-그런데 조금만 생각해 보니까 위와 같이 형상을 두면 안 된다는 것이 나왔다.
-
-먼저 입력을 생각해보자.
-
-입력에 전혀 '상대방 타일을 배치한 순서'라는 변수가 들어 있지 않다.
-
-상대방의 타일이 `0 1 ? 11`일 때랑 `0 1 11 ?`일 때의 결과는 차원이 다르다.
-
-그런데 플레이어의 타일 수 자체가 유동적이니까 형상 생각하기가 어렵다.
-
-즉, 형상은 그대로 두고 배열을 이루는 원소의 값을 바꾸는 수밖에 없다.
-
-- `0(상태를 알 수 없음)`
-- `1(AI가 가진 타일)`
-- `2 이상(상대방이 가진 타일)`
-
-즉 위와 같이 상대방이 가진 타일의 경우 2 '이상'으로 두는 것으로 하고
-
-해당 원소의 값을 2 + (패 인덱스)로 두는 방법이 가장 나은 것 같다.
-
-과연 이걸로 될지 의심스럽지만 뭐 애초에 재미로 하는 거니까...
-
-예를 들어서 상대방이 다음과 같이 0, 1, 2, 3 타일을 가지고 있다고 하면
-
-```
- ___   ___   ___   ___
-| 0 | | 1 | | 2 | | 3 |
-|___| |___| |___| |___| 
-```
-
-`[0] = 2 + 0 = 2`
-
-`[1] = 2 + 1 = 3`
-
-`[2] = 2 + 2 = 4`
-
-`[3] = 2 + 3 = 5`
-
-`상대방의 타일 = 번호 + 상대 패 인덱스`라는 식이므로 위와 같이 된다. 
-
-또 앞서 출력 역시 현재 게임판 상태로 뒀는데, 이렇게 하면 그걸로 뭘 알아낼 수가 없다.
-
-어떤 처리를 하는 것(상대방의 어떤 타일을 어떤 값으로 찍는 것)이 좋을지의 확률을 알아내는 거니까...
-
-즉 상대방 패 수를 N이라고 하면 상대방의 패 1~N에 대해 0~25번 타일일 각각의 확률을 구해야 한다.
-
-근데 아까도 언급했듯이 사용자의 패 수 자체가 유동적인 개념이다.
-
-어? 어쩌지? 하면서 막 생각했는데 그냥 26으로 두는 게 가장 나을 것 같다.
-
-MAX 26의 각각의 타일 자리마다 들어갈 수 있는 26개의 타일에 대한 각각의 확률을 구해야 하므로
-
-`26*26=676`, 세상에... 출력은 사이즈 676짜리 1차원 배열이 되어야 한다.
-
-일단 그렇게 해 두고, 가장 확률이 높은 타일 자리/타일이 unavailable하다면 내림차순으로 하나씩 탐색하면서 결과가 존재하는(적어도 '찍을 수'는 있는) 값을 선택하면 되는 것이다.
-
-그런데 그렇게 하면 은닉층의 뉴런 수가 좀 안 맞는 것 같아서 걍 4층짜리 신경망을 들고 왔다. ^^7
-
-### 아마 결론
-
-![](images/pic_2.png)
-
-즉 이렇게 형상을 설계하는 것이 가능할 것이다.
-
-~~그럼 구현하러 가 볼까?~~ 
-
-```Python
-PS C:\Users\JunhoYeo\Documents\GitHub\monorial> python .\net.py
-w1 shape : (26, 50)
-L b1 shape : (50,)
-w2 shape : (50, 200)
-L b2 shape : (200,)
-w3 shape : (200, 800)
-L b3 shape : (800,)
-w4 shape : (800, 676)
-L b4 shape : (676,)
-```
-
-학습 및 추론 테스트는 나중에 하고 다음 부분부터 진행해 보자.
-
-## 신경망의 각 층
-```Python
-self.layers['Affine1'] = Affine(self.params['w1'], self.params['b1'])
-self.layers['Relu1'] = Relu()
-```
-0층과 1층 사이의 가중치, 활성화 함수로 Relu() 사용
-```Python
-self.layers['Affine2'] = Affine(self.params['w2'], self.params['b2'])
-self.layers['Relu2'] = Relu()
-```
-1층과 2층 사이의 가중치, 활성화 함수로 Relu() 사용
-```Python
-self.layers['Affine3'] = Affine(self.params['w3'], self.params['b3'])
-self.layers['Relu3'] = Relu()
-```
-3층과 4층 사이의 가중치, 활성화 함수로 Relu() 사용
-```Python
-self.layers['Affine4'] = Affine(self.params['w4'], self.params['b4'])
-self.lastLayer = SoftmaxWithLoss()
-```
-4층과 출력층 사이의 가중치, 활성화 함수로 소프트맥스 함수 사용
-
-# 모노리얼 vs 모노리얼
-다빈치코드 플레이 데이터가 없으니까 모노리얼 vs 모노리얼 대전을 통해 데이터를 얻으며 학습해야 함
-
-기획 및 메모는 Trello를 사용해서 해버림... 추후 문서화 예정
-
-## Reference
-- https://namu.wiki/w/%EA%B8%B0%EA%B3%84%ED%95%99%EC%8A%B5
-- http://sanghyukchun.github.io/76
-- https://github.com/WegraLee/deep-learning-from-scratch