基于python的AI五子棋实现（极大极小值搜索和alpha beta剪枝的实现与应用） 算法采用极大极小剪枝博弈算法。 运行环境：python3.6.5

****************************************************** ****************************************************** ************** 重要提示：这个工具箱是作为我博士的一部分开发的（2014 年结束）。 我决定保留此版本用于比较目的，不会更新。 我邀请您检查此算法的新扩展版本，该版本将根据我们对该主题的研究进展，以新的机制和功能进行更新： https://www.mathworks.com/matlabcentral/fileexchange/65145 ****************************************************** ****************************************************** *

yolov3 yolov4 channel and layer pruning, Knowledge Distillation 层剪枝，通道剪枝，知识蒸馏 yolov3-channel-and-layer-pruning 本项目以ultralytics/yolov3为基础实现，根据论文Learning Efficient Convolutional Networks Through Network Slimming (ICCV 2017)原理基于bn层Gmma系数进行通道剪枝，下面引用了几种不同的通道剪枝策略，并对原策略进行了改进，提高了剪枝率和精度；在这些工作基础上，又衍生出了层剪枝，本身通道剪枝已经大大减小了模型参数和计算量，降低了模型对资源的占用，而层剪枝可以进一步减小了计算量，并大大提高了模型推理速度；通过层剪枝和通道剪枝结合，可以压缩模型的深度和宽度，某种意义上实现了针对不同数据集的小模型搜索。 项目的基本工作流程是，使用yolov3训练自己数据集，达到理想精度后进行稀疏训练，稀疏训练是重中之重，对需要剪枝的层对应的bn gamma系数进行大幅压缩，理想的压缩情况如下图，

Apriori算法的剪枝算法

https://download.csdn.net/download/weixin_32759777/12346888这个代码的训练集2

https://download.csdn.net/download/weixin_32759777/12346888这个代码的训练集1

这个是我们老师在上课时对alpha-beta剪枝的解释，个人觉得比较容易理解，因为在博客中无法上传视频，所以只能上传为资源了．对于这个视频我有相应的博客解释．

我们基于α-β剪枝人工智能方法的的中国象棋使用python实现，分为走法计算、评估函数与搜索和UI三部分，并采用历史启发算法进行优化，有着不错的效果。可以实现正常的人机对战，有着普通人的棋力，经过多轮测试，搜索五步的时候，电脑胜率达到80％左右。 （关于代码，my_chess.py里面是对可行走法的搜索，chinachess.py里面是象棋UI的实现，history_heuristic.py里面是历史启发算法优化部分，chess_constants.py是对棋盘、棋子基本单位的定义，my_game.py里面是Alpha-Beta算法的实现。） 我们的中国象棋使用python实现，分为走法计算、评估函数与搜索和UI三部分，并采用历史启发算法进行优化，有着不错的效果。可以实现正常的人机对战，有着普通人的棋力，经过多轮测试，搜索五步的时候，电脑胜率达到80％左右。 （关于代码，my_chess.py里面是对可行走法的搜索，chinachess.py里面是象棋UI的实现，history_heuristic.py里面是历史启发算法优化部分，chess_constants.py是对棋盘、棋子基本单位的定义，my_game.py里面是Alpha-Beta算法的实现。）

理解和掌握基于剪枝技术的博弈树的启发式搜索过程，加深对博弈树的理解运用。规定棋盘大小为5行5列，要求自行设计估价函数，按极大极小搜索方法，并采用α-β剪枝技术。采用人机对弈方式，一方走完一步后，等待对方走步，对弈过程每一时刻的棋局都在屏幕上显示出来。

yolov4剪枝后预训练模型