企业官网建设流程全解析

简介：基于Minigo的幻影围棋项目Ghost-master，面向围棋AI学习者和Python开发者，用于实现人机、机机两种对弈模式。压缩包共18个文件，总量1.47MB，以14个py源码为核心，覆盖棋盘表示、特征提取、对弈策略、蒙特卡洛树搜索及可视化界面等模块；同时附带模型权重索引文件与说明文档，便于快速运行和二次开发。目前已有926人学习下载。项目通过referee、ghost_vs_human、ghost_vs_ghost等脚本清晰区分裁判、人机对战和AI自弈流程；dual_net等文件展示了Minigo神经网络结构，utils、symmetries等工具则提供数据增强与通用函数支持。从零搭建这套围棋AI，可深入理解MCTS+CNN的混合决策机制，并借助机机对弈持续优化棋力，是实践深度学习与博弈算法的轻量级好素材。

1. Ghost-master 幻影围棋：一份能直接落地的 Minigo Python 项目

Ghost-master 是一份用 Python 写好的幻影围棋项目，底层走的是 DeepMind 开源的 Minigo 框架，压缩包里模型权重、双头网络、蒙特卡洛树搜索和三个对战入口脚本一次配齐，装好依赖就能看到 AI 在 19 路棋盘上落子。它把 AlphaGo Zero 那套“特征编码 → 策略网络 → 价值网络 → MCTS 搜索”完整折叠进了可复现的代码里，比对着论文空想直观得多。适合两类人：围棋爱好者想本地体验 AI 对弈，AI 学习者想读懂完整决策链路。我拆完这个包最大的体会是：难点不在单个算法，而在几个 Python 模块之间怎么衔接，所以下面按“认清结构 → 跑通对战 → 拆核心机制 → 避开坑”的顺序讲。

2. 项目结构与模块职责：先看懂这些 .py 文件的分工

拿到压缩包解压后，Ghost-master 根目录下躺着十几个 Python 文件和一个 models 目录。很多人上来就双击 ghost_vs_human.py，结果各种报错，原因就是没搞清楚模块边界。这个项目的文件整理成下表，你会发现它其实是标准 Minigo 工程的分层：围棋规则层、特征层、网络层、搜索层、界面层。

里头的核心链路是这样走的：go.py 维护棋盘，features.py 把棋盘编码成 17 通道特征图，dual_net.py 推理出策略先验和胜率估计，Ghost.py 拿这两个输出跑 MCTS 搜索，最终选一个落子点。

2.1 go.py 与 coords.py：对弈规则底座

go.py 是整盘棋的地基。它负责记录当前局面、判断某步是否合法、处理提子和打劫，以及终局时计算地盘。Minigo 的 go.py 里核心数据结构是 Position，每个 Position 快照包含棋盘状态、上一次落子、是否 pass 等信息。MCTS 每展开一个节点都要调用它，所以这块的性能直接影响搜索速度。

coords.py 解决的是坐标转换问题。围棋里有三种常见坐标表示：GTP 协议的字母坐标（如 D4）、SGF 棋谱坐标、还有程序内部用的 0-18 索引。人机对战的时候用户在终端输入的是 D4 这种，程序内部计算用的是数字索引，中间就是 coords.py 在做翻译。你改界面或者接 GTP 协议时，最先碰到的就是这里。

2.2 models/000496：这份模型权重到底代表什么

models 目录下只有一个 000496，这个编号我理解是强化学习自对弈训练到第 496 次保存的权重快照。Minigo 的做法是让当前模型和旧模型不断对弈，赢到一定比例才更新，所以编号越大的权重通常棋力越强、棋风也越稳。000496 在训练曲线上属于中前期，特征很明显：会走常见定式和基本攻防，但大局观偏弱，特别喜欢主动引发战斗。

加载模型的逻辑一般写在 Ghost.py 顶部，常见写法是定义一个 MODEL_DIR 或 LOAD_PATH 常量指向 models/000496。如果你手头有更强的新权重，只需要替换这个目录再改指向就行。注意这里不是只换一个文件，而是换整个目录，因为 Minigo 的保存格式里除了权重本身还有图结构和训练配置。

2.3 三个入口脚本：人机、机机、随机验证怎么选

ghost_vs_human.py 是主入口，跑起来后 AI 加载模型下黑棋或者白棋，用户通过命令行输入坐标。ghost_vs_ghost.py 是给两个 AI 对弈用的，你可以指定不同的权重目录让它们自我博弈，这是最强的验证方式——两个差不多棋力的 AI 对局，结果基本能反映权重好坏。ghost_vs_randomPlayer.py 则是我建议你第一次跑通的脚本，它让 AI 对一个随机落子的对手，程序稳定性和环境问题一眼就能暴露出来。

这三个脚本的职责划分很重要。很多人一上来就试图用 GUI 跑对局，结果模型加载成功但界面崩了，反而分不清是模型问题还是界面问题。我的习惯是先跑 ghost_vs_randomPlayer.py 确认推理链路通，再跑 ghost_vs_human.py 体验对战，最后才碰 AI_GUI.py。

3. 环境搭建与启动：从 pip 装依赖到人机对战跑通

这一章讲实际操作。Ghost-master 是 2019 年前后那个 Minigo 时期的项目，依赖栈和现在主流环境差得比较多，装环境的坑比代码本身还多。核心准则是：Python 版本别用太高，TensorFlow 别用 2.x，numpy 别用新版。我给出的组合是 Python 3.7 + TensorFlow 1.15 + numpy 1.19。

3.1 创建虚拟环境并安装依赖

先用 conda 建一个干净的环境，避免污染系统 Python。

conda create -n ghost python=3.7 -y conda activate ghost pip install tensorflow==1.15.0 pip install numpy==1.19.5 pip install pygame sgf

逻辑说明：conda 创建独立环境是为了把 TensorFlow 1.15 和系统里其他 Python 项目隔开，这个版本非常老，装错地方会引发连锁冲突。tensorflow==1.15.0 是这台代码能正常 import 的前提，Minigo 的 dual_net.py 里大量使用 session、placeholder 这类 TF1 专用 API，TF2 默认 eager 模式会直接报错。numpy 锁在 1.19.5 是为了避开 1.24 以上版本移除 np.float / np.int 别名的问题。pygame 是 AI_GUI 要用的，sgf 库用来解析棋谱和记录对局。

参数说明：如果装 tensorflow 时提示找不到对应版本，多半是 Python 版本太高，退回 3.7 即可。如果你用的是 Apple Silicon 或者比较新的 macOS，pip 装不了 TF1.15 的轮子，我一般直接拉镜像跑：docker 里放一个 tensorflow/tensorflow:1.15.5-py3 环境，再把项目挂载进去。

3.2 检查并修改模型路径与核心参数

解压后第一步不是直接运行，而是打开 Ghost.py 或 utils.py 看一眼模型路径。常见写法是顶部定义常量，我按最常见的配置写下示意：

# utils.py 或 Ghost.py 顶部的配置区 MODEL_DIR = os.path.join(os.path.dirname(__file__), 'models', '000496') BOARD_SIZE = 19 NUM_READOUTS = 800 RESIGN_THRESHOLD = -0.9

逻辑说明：MODEL_DIR 指向模型权重目录，如果脚本用相对路径，建议你改成绝对路径，防止从别的目录启动时报找不到文件。BOARD_SIZE 决定 dual_net 输入形状，Minigo 默认 19 路，也就是特征图是 19×19。NUM_READOUTS 是 MCTS 每步搜索的模拟次数，800 是 Minigo 默认值。RESIGN_THRESHOLD 是认输阈值，代表胜率估计跌到多少时自动认输。

参数说明：如果你是第一次跑且用的是 CPU，建议先把 NUM_READOUTS 降到 200，不然每步要等十几秒，体验很差。核显或没有 GPU 的机器上，800 次搜索一步棋可能要二十秒以上。跑通全流程后再逐步调高到 400、1600 对比棋力变化。

3.3 跑通人机对战

环境弄好后，先跑最简单的随机对手脚本验证推理链路：

python ghost_vs_randomPlayer.py

逻辑说明：这个脚本让 AI 对随机落子的对手，如果能在几十手内看到 AI 正常落子并最终获胜，说明模型加载、特征编码、MCTS 搜索整个链路是通的。常见的失败点是前向推理时报形状错误，说到底是 BOARD_SIZE 和模型训练尺寸不一致，回到 3.2 检查配置。

验证通过后再跑人机对战：

python ghost_vs_human.py

启动后终端会提示你输入落子坐标，比如 D4、K10 这种。输入格式走 GTP 坐标：字母从 A 到 T 跳过 I，数字从 1 开始，A1 对应棋盘左下角。你每落一子，AI 开始思考，控制台会打印它的选点和胜率估计。至于是执黑先行还是执白，启动时通常有提示，或者进脚本里改一个常量就行。

3.4 一个值得养成的验证习惯

每次改完环境或者换完模型，我都习惯先跑 ghost_vs_randomPlayer.py 两局再碰正式对战。这个脚本比人机对战快很多，因为随机对手的落子不需要搜索，几乎瞬间响应。它能快速区分“环境有问题”和“模型棋力不行”这两种完全不同的状况，避免你在一个坏环境里调一个晚上的参数。

4. Minigo 核心机制拆解：dual_net、features、symmetries 与 MCTS 决策链路

这章把 Ghost-master 内部最关键的四个模块讲透。MCTS 对很多人是黑匣子，其实拆开看就三件事：拿神经网络给出的先验概率和胜率估计去搜索，搜索到足够次数后按访问次数落子。理解了这个，你就知道为什么有时候搜索次数越高棋力越强。

4.1 dual_net.py：策略与价值双头卷积网络

dual_net.py 定义的是 AlphaGo Zero 论文里的双头结构：输入一个 19×19×17 的特征张量，共享一组残差卷积层，然后分两个头输出。策略头输出 19×19=361 个落子点的概率分布再加 pass 的概率，价值头输出一个标量胜率估计，范围取 tanh 压缩到 -1 到 1 之间。

结构上有一点和普通分类网络不同：落子概率要先做 mask，把不合法的点（已经有子的位置、打劫禁止点）排除掉，再 softmax。这个 mask 操作在 Ghost.py 里完成。如果你换权重后棋力异常，先检查 mask 是不是生效，这是最容易出玄学问题的地方。

4.2 features.py：17 通道特征是怎么拼出来的

Minigo 的输入特征沿用了 AlphaGo Zero 论文的 17 平面设计，这是整个网络输入的核心。简单说，它把最近 8 步的棋盘历史全部编码进去，让网络看到棋局的动态演变，而不仅仅当前这一步。我按惯例写一个构造特征面的示意代码，方便你理解概念：

def build_features(history, next_player): feats = np.zeros((17, 19, 19), dtype=np.float32) for step in range(8): if step < len(history): board = history[-(step + 1)]['board'] own = (board == next_player).astype(np.float32) opp = (board == (1 - next_player)).astype(np.float32) else: own = np.zeros((19, 19), dtype=np.float32) opp = np.zeros((19, 19), dtype=np.float32) feats[step * 2] = own feats[step * 2 + 1] = opp feats[16] = next_player return feats

逻辑说明：history 里保存的是最近若干步的棋盘快照，next_player 是当前轮到的棋手。循环从最远的快照取到最近一步，每步拆成两个平面，分别标记当前棋手和对手的棋子位置。第 17 个平面全部用 next_player 填充，表示这步轮到谁走。这样网络看到的不只是一个静止局面，还包括最近 8 步双方的动作轨迹。

参数说明：如果棋盘是 19 路，每个平面是 19×19；代码里 19 出现的地方都要和 dual_net 的输入形状一致。有些改造版把 8 步历史改成 4 步以省显存，但那样棋力会明显下降，不建议少于 6 步。

4.3 symmetries.py：8 种对称变换的作用

围棋棋盘有天然对称性，同一盘棋旋转 90 度、水平翻转、垂直翻转后，本质上还是同一局面。symmetries.py 就是做这个变换的：对 19×19 的棋盘做 8 种组合变换，对应正方形二面体群。这个模块有两个用途。

第一是训练数据增强。自对弈产生的同一局棋，可以变换成 8 个视角分别当作独立样本喂给网络，等于把数据量翻了 8 倍。第二是推理时做稳定性处理：常见做法是把当前局面变换成 8 个视角，分别跑一次网络推理，再把 8 组策略概率逆变换回原方向取平均，最后的价值取平均值。这样能明显减少单次推理的方向偏差，属于能涨棋但不增加搜索代价的小技巧。

4.4 Ghost.py 里的 MCTS：搜索次数是核心参数

MCTS 搜索封装在 Ghost.py 里，决策流程按顺序是四步：选择、扩展、模拟、回传。选择阶段用 UCB 公式平衡“当前最佳点”和“探索少评估的点”；扩展阶段调用 dual_net 得到新节点的先验概率和胜率；模拟阶段沿着叶子节点继续向下评估；回传阶段把收益沿路径加回每个节点。循环重复 NUM_READOUTS 次，最后按根节点的访问次数选点。

很多初学的人盯着 UCB 公式看半天，其实这个项目里真正影响体验的是 NUM_READOUTS 这个参数。它直接决定每步棋要重复多少次搜索循环。数值越大会越强，但耗时也线性增长。我的经验是：CPU 上跑 200 次已经能欺负乱下的玩家，到 800 次棋风明显更稳，想感受完整棋力至少 1600 次且最好有 GPU。

还有一个细节值得注意：MCTS 的随机性来自 Dirichlet 噪声注入，这是为了让开局不走成固定的重复套路。如果你看到同一盘棋 AI 走了不同开局，不要以为是 bug。

5. 避坑指南：五个必踩的坑与排查方法

这一章写我从拆包到跑通遇到的高频问题，每一条都是现场真实翻车记录。我按“现象 → 原因 → 解决”的方式记录，你可以直接对照着排查。

5.1 坑一：TensorFlow 版本冲突，import 直接失败

现象：运行 ghost_vs_human.py 时报错 module 'tensorflow' has no attribute 'contrib'，或者报 placeholder 不存在、Session 不存在。终端里一长串红色 traceback，看最后一行通常在 import dual_net 的位置。

原因：Ghost-master 是基于 TensorFlow 1.x 写的，网络定义里大量使用 tf.contrib、tf.Session、tf.placeholder。装上 TF2.x 之后，contrib 整个被移除，Session 也被禁用，旧代码完全跑不起来。

解决：把 Python 固定到 3.7，然后 pip install tensorflow==1.15.0。如果系统里已经装了 TF2，先 pip uninstall tensorflow 再装。实在装不了旧版就上 Docker 的 tensorflow/tensorflow:1.15.5-py3 镜像。我还见过有人在代码开头加 tf.compat.v1.disable_v2_behavior() 硬兼容，但双头网络的 contrib 部分还是救不回来，不推荐新手折腾。

5.2 坑二：numpy 新版导致 np.float 报错

现象：程序跑到胜负判定或特征构造时报 AttributeError: module 'numpy' has no attribute 'float'。有时候是 np.int 报同样错误。

原因：numpy 1.24 以后把 np.float、np.int 这类别名移除了，而旧项目的代码里直接写了 np.float 或者 np.float32 的位置用了 np.float。这种错误很隐蔽，因为在纯 Python 里不会触发，只有跑到数值计算才会炸。

解决：pip install "numpy==1.19.5"。注意装完 TF1.15 之后再装 numpy，pip 可能会帮你把 numpy 升级到新版，所以顺序最好是先装 numpy 再装 tensorflow，装完检查一下 numpy.version确认没有被动更新。

5.3 坑三：models/000496 加载失败，权重形状对不上

现象：程序启动时能加载模型文件，但一推理就报 shape mismatch，比如 361 和 362 对不上，或者提示 weight 数量不匹配。

原因：Minigo 的策略头输出是 361 个落子点再加 1 个 pass，一共 362 维。如果你下载的权重是旧版 19×19 棋盘训练出来的，而代码里配置改成了 9 路，或者反过来，都会触发形状不匹配。另一个常见原因是加载的不是完整 checkpoint，而是只拷了权重文件没拷图结构，导致变量名对不上。

解决：确认 BOARD_SIZE=19 与模型训练尺寸一致。把 models/000496 整个目录保留完整，不要只搬运单个 .index 或 .data 文件。加载代码一般写在 dual_net.py 的 load 函数里，用 tf.train.Saver 或 tf.keras.models.load_model 时注意看日志里变量数量是否跟你网络定义一致。

5.4 坑四：AI_GUI 黑屏闪退，对局窗口起不来

现象：运行 AI_GUI.py 时窗口一闪而过，或者黑屏卡住不动，命令行没有明显报错。CPU 飙高但界面无响应。

原因：AI_GUI.py 依赖 pygame 做渲染。没装 pygame 时 import 就挂在最前面，窗口直接起不来。另一个原因和 pygame 版本有关，部分新版本对旧式事件循环写法不友好，会卡在刷新循环。

解决：先 pip install pygame 确认 GUI 依赖完整。更稳的做法是先用 ghost_vs_human.py 命令行模式验证核心逻辑通，再跑 GUI。如果你只是想看到最终棋谱，不一定要 GUI，ghost_vs_ghost.py 的输出信息更完整，还不会抢 CPU 资源。

5.5 坑五：机机对战卡死，或出现无限连 pass

现象：跑 ghost_vs_ghost.py 时，有时候看到双方连续 pass 但程序没有正常结束，或者一方明明有棋可下却一直 pass，最后死循环。

原因：Minigo 有认输阈值 RESIGN_THRESHOLD，当价值网络给出的胜率估计低于阈值时 AI 会选择认输。两个 AI 实力悬殊时，弱势一方可能开局没多久就持续 pass，而裁判逻辑如果没有对连续 pass 的次数做上限，就会挂住。

解决：把 RESIGN_THRESHOLD 设得更低，比如 -0.999，让 AI 死扛到底；同时检查 Referee.py 里是否对连续 pass 有终止条件，常见做法是双方连续 pass 两次即终局。在做机机对局测试时，我一般还会加一个最大手数上限，超过比如 800 手强制判和棋，防止极端局面卡死。

6. 进阶玩法：机机自对弈与棋力快速验证

把这套环境跑通只是开始，Ghost-master 真正的价值在机机博弈上。我常用的进阶操作有两个，一个是拿 ghost_vs_ghost.py 做固定参数的自对弈，另一个是低搜索次数快速验证不同权重。

6.1 固定参数自对弈

打开 ghost_vs_ghost.py，通常顶部有几个常量定义两个 AI 各自的模型目录和每步搜索次数：

MODEL_A = 'models/000496' MODEL_B = 'models/000496' NUM_READOUTS_A = 400 NUM_READOUTS_B = 400

把两个模型目录指向不同的权重，或者让 A 保持高搜索次数、B 用低搜索次数，就能观察同一模型在不同搜索强度下的棋力差异。我一般会记录每局胜负、最终目差、手数三个指标，做个 10 局的小比赛，赢多输少的权重就是当前更能打的版本。

6.2 低搜索次数 sanity check

换新权重时，先用 NUM_READOUTS=200 跑 5 局对随机玩家，确认胜率正常后再做正式自对弈。这个习惯帮我过滤掉至少三次坏权重，特征很典型：搜索次数低时该赢的棋赢不下来，但搜索次数越高胜率越稳。如果低搜索局全胜，基本说明权重没废；如果低搜索就翻车，省下了拿高搜索跑几十局的冤枉时间。

从那以后，我每次拿到新训练的棋类 AI 权重，第一件事都是把搜索次数压到 200，和随机玩家跑 5 局做 sanity check，再慢慢往上加搜索量对比。看起来多花十分钟，实际避免的是在坏权重上浪费一晚上的调参。希望帮到你。

本文还有配套的精品资源，点击获取