| --- |
| license: unknown |
| --- |
| # 데이터셋 요약 (Quoridor AI Training Dataset) |
|
|
| 이 데이터셋은 강화 학습 기반 Quoridor AI 훈련을 위한 Self-Play 게임 기록으로 구성되어 있습니다. <br> |
| 각 샘플은 게임 중 하나의 상태(state), 해당 상태에서의 정책(policy), 그리고 그 상태의 가치(value)를 포함합니다. |
|
|
| --- |
|
|
| ## 컬럼 설명 |
|
|
| | 컬럼 이름 | 설명 | 데이터 타입 | |
| |-------------|--------------------------------------------------|------------------------------| |
| | `state` | 게임 상태를 나타내는 3차원 배열 | `list[list[list[int]]]` | |
| | `policies` | 각 행동에 대한 확률 분포 (정책), 총합은 1 | `list[float]` | |
| | `value` | 해당 상태의 승리 가치: 승리 `1`, 패배 `-1`, 무승부 `0` | `int` (`1`, `-1`, `0`) | |
|
|
| --- |
|
|
| ## 게임 진행 및 라벨링 기준 |
|
|
| - **승리한 에이전트**의 모든 `state` 샘플에는 `value = 1` |
| - **패배한 에이전트**의 모든 `state` 샘플에는 `value = -1` |
| - **무승부**로 간주된 게임의 모든 `state` 샘플에는 `value = 0` |
| <br/> |
| (무승부 기준 : 100 Turn이 넘어도 승리한 에이전트가 존재하지 않을 때) |
|
|
| --- |
|
|
| ## 정책(`policies`) |
|
|
| - 고정된 행동 수에 따른 확률 분포 |
| - **quoridor-mini**: 44개 행동 |
| - **quoridor**: 140개 행동 |
| - 각 값은 해당 행동이 선택될 확률이며, **총합은 항상 1** |
|
|
| > 예시: `[0.0, 0.0, 0.6, 0.0, 0.3, 0.0, 0.1, ...]` |
| > → 세 번째, 다섯 번째, 일곱 번째 행동에 대해 확률 분포가 주어짐. |
|
|
| --- |
|
|
| ## 행동 인덱스 규칙 (일부 예시) |
|
|
| | 행동 방향 | 인덱스 번호 | |
| |-----------|-------------| |
| | ↑ up | `0` | |
| | → right | `2` | |
| | ↓ down | `4` | |
| | ← left | `6` | |
| | ... | 기타 벽 설치 및 특수 행동 등 | |
|
|
| ## 분석 코드 예시 |
|
|
| ```python |
| from pathlib import Path |
| import pickle |
| import pandas as pd |
| import numpy as np |
| |
| |
| history_file = Path('./20240502082822-10K.history') |
| |
| # history 파일 불러오기 |
| with open(history_file, 'rb') as f: |
| history_data = pickle.load(f) |
| |
| # 데이터 프레임 생성 |
| df = pd.DataFrame(history_data, columns = ['state','policies','value']) |
| |
| |
| ''' |
| curr_player : 1 |
| curr_wall : 3 |
| oppo_player : 2 |
| opppo_player : 4 |
| ''' |
| def convert_board(state): |
| # quoridor size : 17 |
| # quoridor mini size : 9 |
| size = 17 |
| board = [[0 for _ in range(size)] for _ in range(size)] |
| |
| curr = np.array(state[0][0]) |
| curr = np.where(curr == 1)[0] |
| |
| currRow = (curr // size)[0] |
| currCol = (curr % size)[0] |
| board[currRow][currCol] = 1 |
| |
| curr_Wall = np.array(state[0][1]) |
| curr_Wall = np.where(curr_Wall == 1)[0] |
| for wall in curr_Wall: |
| currRow = wall // size |
| currCol = wall % size |
| board[currRow][currCol] = 3 |
| |
| oppo = np.array(state[1][0]) |
| oppo = np.where(oppo == 1)[0] |
| |
| oppoRow = (size - 1) - (oppo // size)[0] |
| oppoCol = (size - 1) - (oppo % size)[0] |
| board[oppoRow][oppoCol] = 2 |
| |
| oppo_Wall = np.array(state[1][1]) |
| oppo_Wall = np.where(oppo_Wall == 1)[0] |
| for wall in oppo_Wall: |
| oppoRow = (size - 1) - wall // size |
| oppoCol = (size - 1) - wall % size |
| board[oppoRow][oppoCol] = 4 |
| |
| return board |
| |
| # n번째 행 가져오기 |
| nth_row = 0 |
| |
| # state 표시 |
| state = df.iloc[[nth_row],[0]] # DataFrame df의 n번째 행과 0번째 열에서 값을 선택 |
| stateNP = state.to_numpy()[0][0] # DataFrame을 NumPy 배열로 변환 |
| board = convert_board(stateNP) |
| |
| # board 표시 |
| board_np = np.array(board) |
| np.set_printoptions(linewidth=200) # 줄바꿈 방지 |
| |
| policies = df.iloc[[nth_row],[1]].to_numpy()[0][0] |
| value = df.iloc[[nth_row],[2]].to_numpy()[0][0] |
| |
| print('=== state ===') |
| print(board_np) |
| print('=== policies ===') |
| print(policies) |
| print('=== value ===') |
| print(value) |
| |
| ``` |
