Toguzkumalak

Реализация игры и обучение нейросети для тогузкумалака. Код написан на C++ и Python, модель использует библиотеку LibTorch.

Требования

• компилятор C++17 и CMake 3.10+
• Python 3.8 или новее
• LibTorch 2.6.0
  • CPU: libtorch-cxx11-abi-shared-with-deps-2.6.0+cpu
  • CUDA 12.4: libtorch-cxx11-abi-shared-with-deps-2.6.0+cu124
• программа тестировалась на PyTorch/LibTorch 2.6.0 (CPU и CUDA 12.4)
• при сборке с GPU понадобится установленный CUDA Toolkit

Подготовка LibTorch

1. Скачайте соответствующую версию LibTorch с страницы загрузки PyTorch.
2. Распакуйте архив в каталог libtorch в корне репозитория.

Сборка

Linux

mkdir build
cd build
cmake .. -DCMAKE_BUILD_TYPE=Release [-DUSE_CUDA=ON]
cmake --build . --config Release

Windows

mkdir build
cd build
cmake .. -G "Visual Studio 17 2022" -A x64 -DCMAKE_BUILD_TYPE=Release [-DUSE_CUDA=ON]
cmake --build . --config Release

Исполняемый файл появится в каталоге build.

Обучение модели

1. Подготовьте датасет (пример находится в каталоге datasets).
2. Отредактируйте секцию [train] в Toguzkumalak/config.ini или передайте параметры через командную строку.
3. Запустите обучение:

./Toguzkumalak --mode train --dataset ./datasets/combined/combined_dataset.bin

Для Windows используйте Toguzkumalak.exe. Дополнительные параметры: --cpus, --epochs, --model и т.д.

Использование конфигурационных файлов

Все параметры можно указать в отдельном файле и передать его через --config путь/к/файлу. По умолчанию используется config.ini. Точка входа программы находится в Toguzkumalak.cpp.

Пример config.ini

[global]
mode = train
cpus = 2

[train]
model = ./model_data/best.pt
save = ./model_data/best.pt
dataset = ./datasets/combined/combined_dataset.bin
epochs = 100
lr = 1e-4
lr_step = 10
gamma = 0.2
batch_size = 32

Запуск обучения с конфигурацией:

```bash
./Toguzkumalak --config Toguzkumalak/config.ini

### Генерация датасета
Чтобы собрать набор данных, запустите режим selfplay:

```bash
./Toguzkumalak --config Toguzkumalak/config.ini

Файлы будут сохранены в каталог, указанный в параметре save.

Режим arena

Автоматизирует цикл "selfplay → обучение". Параметры задаются в секции [arena] конфигурации.

./Toguzkumalak --mode arena --config Toguzkumalak/config.ini

Загрузка и сохранение весов в C++

Работать с отдельным файлом весов можно через методы save_weights и load_weights класса TNET:

std::shared_ptr<TNET> model = std::make_shared<TNET>();
model->load_weights("./model_data/weights.dat");
// ... обучение или инференс ...
model->save_weights("./model_data/weights.dat");