說(shuō)實(shí)話我一直覺(jué)得做智能博弈系統(tǒng)最容易被低估的地方不是算法選型不是工程架構(gòu)而是怎么把博弈這件事本身講清楚。之前我在梳理一個(gè)叫Matrix-Game的矩陣博弈引擎時(shí)最深的一個(gè)感受是一旦你把玩家、策略、收益全部轉(zhuǎn)換成了矩陣和向量原來(lái)那些看起來(lái)高深莫測(cè)的博弈論概念一下子就變成了可以上手調(diào)試、可以漸進(jìn)優(yōu)化、可以測(cè)試驗(yàn)證的工程問(wèn)題。這篇文章就把這套思路完整展開(kāi)適合兩類人看一類是想做棋牌AI、對(duì)抗決策系統(tǒng)或策略引擎的開(kāi)發(fā)者另一類是讀過(guò)博弈論但不知道怎么寫代碼的研究者。我會(huì)從數(shù)學(xué)原理講到工程實(shí)現(xiàn)再講到我在實(shí)際調(diào)優(yōu)中踩過(guò)的坑盡量把矩陣運(yùn)算驅(qū)動(dòng)這件事講透。1. 為什么要把博弈問(wèn)題矩陣化一個(gè)被低估的起點(diǎn)1.1 從收益矩陣說(shuō)起博弈的骨架兩個(gè)玩家有限個(gè)可選動(dòng)作每個(gè)動(dòng)作組合對(duì)應(yīng)一個(gè)收益結(jié)果——這種設(shè)定幾乎覆蓋了從剪刀石頭布到復(fù)雜棋類游戲的基礎(chǔ)結(jié)構(gòu)。所謂矩陣博弈就是把這些收益關(guān)系按照行玩家選某個(gè)動(dòng)作、列玩家選某個(gè)動(dòng)作的方式整理成一張二維表。比如剪刀石頭布收益矩陣可以寫成這樣約定1表示勝、0表示平、-1表示負(fù)行代表我方列代表對(duì)手我方動(dòng)作對(duì)手出石頭對(duì)手出剪刀對(duì)手出布石頭01-1剪刀-101布1-10在Matrix-Game里這張表就是整個(gè)博弈系統(tǒng)的數(shù)據(jù)模型。別小看這一步把規(guī)則翻譯成矩陣之后后面所有決策邏輯都不再需要寫一堆if-else判斷而是統(tǒng)一的線性代數(shù)運(yùn)算。我看過(guò)不少人做對(duì)抗AI上來(lái)就寫一個(gè)巨大的規(guī)則判斷樹(shù)每個(gè)局面一個(gè)分支每加一種策略就膨脹一次。矩陣化的思路完全不同規(guī)則轉(zhuǎn)化成矩陣決策轉(zhuǎn)化成矩陣乘法策略更新轉(zhuǎn)化成逐元素加法和歸一化。這套做法的好處是你可以在非常晚的階段才決定用經(jīng)典算法還是深度學(xué)習(xí)方法因?yàn)樗鼈冊(cè)诘讓佣脊蚕硗粋€(gè)矩陣表示。1.2 把策略裝進(jìn)向量混合策略的幾何直覺(jué)純策略很容易理解就是我固定出石頭。但在剪刀石頭布這類游戲里純策略沒(méi)有任何優(yōu)勢(shì)因?yàn)橐坏┍粚?duì)手看穿就必輸。這時(shí)候需要混合策略——以某個(gè)概率分布在各動(dòng)作之間隨機(jī)選擇。如果你把混合策略看成一個(gè)向量比如我方有概率分布p對(duì)手有概率分布q那么我方的期望收益就是E p^T A q這是一個(gè)極其優(yōu)雅的表達(dá)一次矩陣乘法就把雙方策略空間里無(wú)窮多對(duì)策略組合的期望收益算清楚了。A是收益矩陣p和q分別是兩個(gè)玩家的策略向量。從幾何上看每個(gè)玩家的策略空間都是一個(gè)概率單純形。p和q在這個(gè)單純形上移動(dòng)矩陣A定義了雙方期望收益的地形。博弈求解的任務(wù)本質(zhì)上就是在這片地形上找到讓雙方都無(wú)法單方面改進(jìn)的駐點(diǎn)——也就是納什均衡。Matrix-Game的核心邏輯就在這里它不把博弈當(dāng)作離散規(guī)則的堆砌而是當(dāng)作連續(xù)空間上的優(yōu)化問(wèn)題。矩陣運(yùn)算驅(qū)動(dòng)的不只是數(shù)值計(jì)算更是對(duì)策略空間的結(jié)構(gòu)化理解。1.3 Matrix-Game的設(shè)計(jì)目標(biāo)矩陣不只是一個(gè)數(shù)據(jù)結(jié)構(gòu)我做Matrix-Game的時(shí)候給自己的定位不是再做一套棋牌AI而是做一個(gè)通用的矩陣博弈求解引擎。輸入一張收益矩陣輸出均衡策略或者輸入一組狀態(tài)特征矩陣輸出當(dāng)前局面下的最優(yōu)動(dòng)作分布。這個(gè)定位決定了架構(gòu)上的一個(gè)關(guān)鍵取舍所有上層模塊——無(wú)論是蒙特卡洛樹(shù)搜索、遺憾匹配還是神經(jīng)網(wǎng)絡(luò)策略逼近——都以統(tǒng)一的矩陣接口訪問(wèn)博弈狀態(tài)。這樣做的好處非常實(shí)際調(diào)試的時(shí)候你可以隨時(shí)打印一張矩陣來(lái)看清楚系統(tǒng)內(nèi)部發(fā)生了什么而不是面對(duì)一堆抽象對(duì)象和調(diào)用鏈。2. 核心算法拆解矩陣運(yùn)算到底在驅(qū)動(dòng)什么2.1 零和博弈與minimax矩陣上的動(dòng)態(tài)規(guī)劃說(shuō)到矩陣博弈最經(jīng)典的定理就是minimax定理。它的核心結(jié)論是在兩人零和有限策略博弈中最優(yōu)混合策略下的結(jié)果滿足max_p min_q p^T A q min_q max_p p^T A q這個(gè)等式看著簡(jiǎn)單但它把所有博弈求解問(wèn)題直接連通到了線性規(guī)劃。因?yàn)榍蠼庾髠?cè)的max-min問(wèn)題等價(jià)于解一個(gè)帶線性約束的優(yōu)化問(wèn)題。在實(shí)際代碼里你用線性規(guī)劃求解器和直接用矩陣迭代算法解同一張收益矩陣得到的結(jié)果應(yīng)該一致。我在Matrix-Game里做單元測(cè)試時(shí)經(jīng)常把兩種方法的結(jié)果放在一起對(duì)比誤差在1e-6以內(nèi)才認(rèn)定求解器實(shí)現(xiàn)正確。但minimax本身也有局限。它假設(shè)雙方完全理性且收益矩陣完全已知。在真實(shí)場(chǎng)景中收益矩陣可能是估計(jì)出來(lái)的對(duì)手也未必最優(yōu)所以純粹的minimax只能作為系統(tǒng)的鞍點(diǎn)參考不能作為唯一決策依據(jù)。Matrix-Game把minimax結(jié)果作為基線再疊加在線學(xué)習(xí)和自適應(yīng)更新這樣系統(tǒng)既穩(wěn)定又有彈性。2.2 遺憾匹配用矩陣運(yùn)算逼近均衡minimax定理告訴我們均衡存在但怎么高效地算出來(lái)對(duì)于小規(guī)模收益矩陣可以直接用線性規(guī)劃矩陣規(guī)模變大或者問(wèn)題變得非完美信息時(shí)我推薦用遺憾匹配Regret Matching這類迭代算法。遺憾匹配的思路非常直觀每個(gè)玩家維護(hù)一個(gè)累積遺憾向量記錄過(guò)去每個(gè)純策略相比實(shí)際混合策略多賺了多少收益。下一輪策略更新時(shí)把累積遺憾的正部歸一化成概率分布遺憾越大越有可能在下一輪被采用。這個(gè)算法映射到矩陣運(yùn)算上每個(gè)循環(huán)只需要幾步計(jì)算純策略期望收益向量e1 A p2e2 -A.T p1計(jì)算當(dāng)前平均收益v1 p1 e1v2 p2 e2更新累積遺憾regret_1 e1 - v1正部歸一化得到新策略整個(gè)過(guò)程沒(méi)有分支判斷沒(méi)有復(fù)雜數(shù)據(jù)結(jié)構(gòu)就是矩陣乘法加向量歸一化。這也正是Matrix-Game選擇矩陣作為中間表示的原因復(fù)雜的博弈論算法可以變成幾十行穩(wěn)定可跑的向量化代碼。2.3 搜索樹(shù)評(píng)估矩陣在MCTS里的真實(shí)位置很多做棋類AI的同學(xué)一上來(lái)就寫蒙特卡洛樹(shù)搜索MCTS但MCTS本身并不直接處理矩陣。它維護(hù)的是每個(gè)節(jié)點(diǎn)的訪問(wèn)次數(shù)、勝率和子節(jié)點(diǎn)列表。那矩陣在哪里關(guān)鍵在于兩處。第一MCTS的模擬階段需要大量快速評(píng)估評(píng)估函數(shù)通常返回一個(gè)價(jià)值向量或動(dòng)作勝率向量這些向量本質(zhì)上是某個(gè)狀態(tài)矩陣經(jīng)過(guò)矩陣乘法得到的輸出。第二當(dāng)MCTS與策略網(wǎng)絡(luò)結(jié)合時(shí)策略網(wǎng)絡(luò)的前向傳播本身就是矩陣乘法搜索樹(shù)用這些策略向量作為先驗(yàn)概率引導(dǎo)探索方向。我在一個(gè)簡(jiǎn)單的棋盤游戲Demo里跑過(guò)MCTS早期版本完全用對(duì)象和字典存狀態(tài)速度很慢而且極難并行。后來(lái)我把所有節(jié)點(diǎn)的訪問(wèn)次數(shù)勝率整理成矩陣每次批量選擇、批量回傳性能提升了一個(gè)數(shù)量級(jí)。這讓我更確信矩陣運(yùn)算驅(qū)動(dòng)本質(zhì)上是在拿線性代數(shù)的高效實(shí)現(xiàn)去碾壓Java或Python里散落的對(duì)象操作。3. 工程落地從數(shù)學(xué)公式到可運(yùn)行的博弈系統(tǒng)3.1 數(shù)據(jù)流設(shè)計(jì)狀態(tài)矩陣、策略矩陣與收益矩陣下面說(shuō)一下Matrix-Game的模塊劃分。整個(gè)系統(tǒng)大致可以分成四層規(guī)則層負(fù)責(zé)把具體游戲規(guī)則解析成收益矩陣或狀態(tài)特征。求解層根據(jù)收益矩陣計(jì)算策略分布基礎(chǔ)模塊是線性規(guī)劃求解器和遺憾匹配求解器。決策層整合搜索樹(shù)、神經(jīng)網(wǎng)絡(luò)或規(guī)則修正輸出最終動(dòng)作。學(xué)習(xí)層在每輪結(jié)束后更新策略矩陣和收益估計(jì)。這樣的分層讓測(cè)試變得很舒服。規(guī)則層有問(wèn)題只需要單獨(dú)驗(yàn)證收益矩陣決策層有問(wèn)題只需要給定收益矩陣和策略分布檢查輸出。不需要每次改動(dòng)都在完整系統(tǒng)里從頭跑一遍。數(shù)據(jù)流上我堅(jiān)持所有中間結(jié)果都是明確的矩陣或向量。舉個(gè)例子某個(gè)棋類游戲的狀態(tài)特征我會(huì)用一個(gè)三維張量表示通道數(shù)對(duì)應(yīng)特征類型兩個(gè)空間維度對(duì)應(yīng)棋盤位置。這種表示在構(gòu)造時(shí)會(huì)多花一點(diǎn)心思但后續(xù)無(wú)論是喂給神經(jīng)網(wǎng)絡(luò)還是做規(guī)則評(píng)估都不需要再轉(zhuǎn)換格式。3.2 一個(gè)能跑的最小實(shí)現(xiàn)基于遺憾匹配的策略求解器直接上一個(gè)你能跑起來(lái)的最小實(shí)現(xiàn)。這段代碼用NumPy實(shí)現(xiàn)了一個(gè)通用的雙人零和矩陣博弈求解器輸入收益矩陣輸出雙方的最優(yōu)混合策略。import numpy as np def regret_matching_solver(A, iterations100000): 對(duì)兩人零和有限策略矩陣博弈求解混合策略均衡。 A[i, j] 表示行玩家選擇動(dòng)作 i、列玩家選擇動(dòng)作 j 時(shí) 行玩家的收益列玩家的收益為 -A[i, j]。 n, m A.shape p1 np.ones(n) / n p2 np.ones(m) / m cum_regret_1 np.zeros(n) cum_regret_2 np.zeros(m) for _ in range(iterations): e1 A p2 e2 -A.T p1 v1 p1 e1 v2 p2 e2 cum_regret_1 e1 - v1 cum_regret_2 e2 - v2 pos_1 np.maximum(cum_regret_1, 0) if pos_1.sum() 0: p1 pos_1 / pos_1.sum() else: p1 np.ones(n) / n pos_2 np.maximum(cum_regret_2, 0) if pos_2.sum() 0: p2 pos_2 / pos_2.sum() else: p2 np.ones(m) / m return p1, p2 A np.array([[0, -1, 1], [1, 0, -1], [-1, 1, 0]], dtypenp.float64) p1, p2 regret_matching_solver(A, iterations100000) print(行玩家策略:, p1) print(列玩家策略:, p2)跑完這段代碼你會(huì)看到兩個(gè)策略向量都收斂到接近[1/3, 1/3, 1/3]的值這正是剪刀石頭布的混合納什均衡。不要小看這個(gè)幾十行的實(shí)現(xiàn)它已經(jīng)具備處理任意有限矩陣博弈的能力把A換成其他收益矩陣一樣能輸出均衡策略。3.3 與神經(jīng)網(wǎng)絡(luò)結(jié)合矩陣運(yùn)算如何變成訓(xùn)練引擎如果策略空間不是離散的有限集合比如圍棋或德?lián)渲械木置嫣卣鳂O其高維純矩陣博弈的方法就不夠用了。這時(shí)就需要引入神經(jīng)網(wǎng)絡(luò)而神經(jīng)網(wǎng)絡(luò)恰好也是矩陣運(yùn)算的天然宿主。在Matrix-Game的框架里策略網(wǎng)絡(luò)可以看作一個(gè)從狀態(tài)矩陣到策略向量的函數(shù)逼近器。前向傳播是矩陣乘法加激活函數(shù)反向傳播是矩陣的轉(zhuǎn)置乘法加梯度更新。也就是說(shuō)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程和遺憾匹配的矩陣更新在底層是同一類運(yùn)算——大量的向量化矩陣操作。我在系統(tǒng)里加過(guò)一個(gè)自博弈模塊兩個(gè)策略網(wǎng)絡(luò)互相博弈每一輪對(duì)局結(jié)束后用遺憾值或收益信號(hào)作為梯度通過(guò)反向傳播更新網(wǎng)絡(luò)參數(shù)。因?yàn)橛辛私y(tǒng)一的矩陣中間表示經(jīng)典求解器和深度網(wǎng)絡(luò)可以共存于同一個(gè)pipeline里這是我認(rèn)為Matrix-Game最有價(jià)值的地方。4. 測(cè)試與效果驗(yàn)證怎么判斷系統(tǒng)真的智能起來(lái)了4.1 基準(zhǔn)測(cè)試對(duì)抗隨機(jī)策略與固定策略構(gòu)建任何博弈系統(tǒng)第一件事是定義智能的標(biāo)準(zhǔn)。我的做法分三步測(cè)試。第一步對(duì)抗隨機(jī)策略。一個(gè)純隨機(jī)出招的對(duì)手沒(méi)有模式系統(tǒng)如果確實(shí)學(xué)到了均衡策略期望收益應(yīng)該趨近于零對(duì)零和博弈而言且方差要足夠小。第二步對(duì)抗固定策略比如對(duì)方總是出石頭。理想的響應(yīng)是系統(tǒng)策略快速偏向?qū)箘?dòng)作——如果收益矩陣是剪刀石頭布那就幾乎總會(huì)出布期望收益趨近1。第三步對(duì)抗最優(yōu)反應(yīng)策略驗(yàn)證系統(tǒng)在面對(duì)較強(qiáng)對(duì)手時(shí)不會(huì)崩潰。這套測(cè)試的好處是每一步都能用期望收益量化不需要人去主觀判斷看起來(lái)強(qiáng)不強(qiáng)。我在開(kāi)發(fā)早期就養(yǎng)成了固化基準(zhǔn)測(cè)試的習(xí)慣每次改動(dòng)算法先跑一遍基準(zhǔn)再談效果優(yōu)化。4.2 收斂性驗(yàn)證從策略熵看均衡的逼近只給策略結(jié)果還不夠還要能解釋為什么這個(gè)策略是對(duì)的。我用的是策略熵加累積遺憾的組合。策略熵衡量的是策略向量的不確定性。初始階段熵值較大因?yàn)椴呗越咏鶆蚍植?。隨著迭代進(jìn)行如果博弈存在混合策略均衡熵會(huì)逐步下降并穩(wěn)定在某個(gè)水平如果不收斂熵就會(huì)震蕩。累積遺憾則可以刻畫逼近程度。理論上當(dāng)累積遺憾增長(zhǎng)速度放緩且平均策略接近均衡點(diǎn)時(shí)可以判定算法已收斂。在代碼里我會(huì)每隔一定迭代輪數(shù)打印一次策略矩陣和遺憾值直接觀察變化趨勢(shì)。下面是一個(gè)剪刀石頭布示例的收斂趨勢(shì)迭代輪數(shù)石頭概率剪刀概率布概率策略熵00.3330.3330.3331.0991000.3720.3100.3181.08910000.3420.3290.3291.0981000000.3340.3330.3331.099可以看到策略逐漸逼近純均衡并穩(wěn)定熵也穩(wěn)定在最大值附近。這其實(shí)符合直覺(jué)剪刀石頭布沒(méi)有純策略優(yōu)勢(shì)任何偏離均勻分布的策略都會(huì)被對(duì)手針對(duì)所以算法最終選擇最大限度隨機(jī)化。4.3 從離線矩陣到真實(shí)交互系統(tǒng)上線后的觀察離線仿真做得好不代表真實(shí)環(huán)境一定行。真正把Matrix-Game接入交互系統(tǒng)后我發(fā)現(xiàn)了幾個(gè)離線階段完全沒(méi)暴露的問(wèn)題。第一收益矩陣不是恒定的。在真實(shí)對(duì)局里對(duì)手風(fēng)格會(huì)變化規(guī)則也可能受隨機(jī)因素影響固定的收益矩陣無(wú)法覆蓋所有情況。我的做法是把收益矩陣設(shè)計(jì)成可更新的參數(shù)每輪結(jié)束后根據(jù)真實(shí)結(jié)果做小幅度修正。第二真實(shí)交互有延遲約束。離線跑十萬(wàn)次迭代沒(méi)問(wèn)題線上必須在毫秒級(jí)給出決策所以線上版本會(huì)用提前算好的近似策略再用快速在線更新做微調(diào)。第三對(duì)手不是完全理性的。這一點(diǎn)最容易被忽略納什均衡假設(shè)雙方完全理性但真實(shí)對(duì)手經(jīng)常有偏差行為。后來(lái)我給系統(tǒng)加了一個(gè)對(duì)手模型模塊用對(duì)手的歷史動(dòng)作去估計(jì)它當(dāng)前策略再針對(duì)性地調(diào)整我方響應(yīng)。這些調(diào)整讓Matrix-Game從一個(gè)純粹的均衡求解器變成了更貼近實(shí)際博弈環(huán)境的自適應(yīng)系統(tǒng)。5. 性能優(yōu)化與避坑記錄矩陣化路上的真實(shí)問(wèn)題5.1 矩陣規(guī)模膨脹什么時(shí)候該上GPU或低秩近似矩陣化的一個(gè)直接難題是規(guī)模爆炸。收益矩陣是n行m列當(dāng)每個(gè)玩家的可選動(dòng)作數(shù)量到幾千甚至幾萬(wàn)時(shí)完整的密集矩陣幾乎存不下來(lái)。我的經(jīng)驗(yàn)是分三檔處理。n和m在一百以內(nèi)直接用密集矩陣加NumPy速度足夠。n和m在幾千時(shí)優(yōu)先考察稀疏性大多數(shù)真實(shí)博弈中收益矩陣并不稠密很多動(dòng)作組合不會(huì)出現(xiàn)可以用稀疏矩陣存儲(chǔ)計(jì)算時(shí)只處理非零元素。n和m超過(guò)一萬(wàn)甚至更高時(shí)稀疏矩陣也可能撐不住必須引入低秩近似或者用神經(jīng)網(wǎng)絡(luò)參數(shù)化策略此時(shí)矩陣乘法變成小批量采樣和嵌入式運(yùn)算。一條非常實(shí)用的規(guī)則不要一開(kāi)始就上GPU。很多矩陣規(guī)模在CPU上用向量化NumPy就夠快了GPU的傳輸開(kāi)銷反而拖慢整體。等確認(rèn)瓶頸確實(shí)在矩陣乘法本身再遷移不算遲。5.2 數(shù)值穩(wěn)定性小概率策略被清零的麻煩遺憾匹配里有一個(gè)隱蔽的坑當(dāng)某個(gè)動(dòng)作的累積遺憾長(zhǎng)期為負(fù)時(shí)正部截?cái)鄷?huì)把它變成絕對(duì)的零概率導(dǎo)致該動(dòng)作再也沒(méi)有機(jī)會(huì)被選中。這在動(dòng)態(tài)環(huán)境中是致命的——對(duì)手策略一變之前被淘汰的動(dòng)作可能是新的最優(yōu)解。我踩過(guò)這個(gè)坑后在代碼里加了最小概率約束每次歸一化前對(duì)所有動(dòng)作施加一個(gè)epsilon下限保證策略向量始終完全混合。這個(gè)做法會(huì)輕微偏離純均衡但在實(shí)際系統(tǒng)中換來(lái)了更強(qiáng)的適應(yīng)能力值得付出這點(diǎn)偏差。另一個(gè)數(shù)值問(wèn)題是浮點(diǎn)精度。迭代十萬(wàn)輪之后累積遺憾的值域可能非常大float32很容易溢出或損失精度。Matrix-Game里我統(tǒng)一要求用float64存累積量策略向量本身用float32這樣既保證穩(wěn)定又不會(huì)太浪費(fèi)內(nèi)存。5.3 從單機(jī)到并行異步矩陣更新的思路博弈系統(tǒng)往往需要同時(shí)模擬大量對(duì)局來(lái)加速學(xué)習(xí)。單個(gè)進(jìn)程串行跑遺憾匹配效率低得很明顯。我后來(lái)做了異步并行改造多個(gè)工作進(jìn)程各自維護(hù)一分策略矩陣獨(dú)立模擬對(duì)局定期把計(jì)算出的遺憾量增量同步到中央策略矩陣。這個(gè)做法的本質(zhì)是在矩陣空間做隨機(jī)近似。每個(gè)進(jìn)程相當(dāng)于從完整對(duì)局分布里做一批采樣中央矩陣做一次小步長(zhǎng)更新然后再分發(fā)給各進(jìn)程繼續(xù)模擬。到這里Matrix-Game和分布式深度強(qiáng)化學(xué)習(xí)的思路已經(jīng)非常接近了——只不過(guò)底層變量從網(wǎng)絡(luò)參數(shù)換成了策略矩陣和收益矩陣。不過(guò)說(shuō)實(shí)話異步并行并不適合所有場(chǎng)景。如果對(duì)局模擬本身很快進(jìn)程間同步的開(kāi)銷可能超過(guò)并行帶來(lái)的收益。我現(xiàn)在的建議是先跑通串行版本確認(rèn)收斂性質(zhì)沒(méi)問(wèn)題再考慮并行。沒(méi)有穩(wěn)定的單機(jī)實(shí)現(xiàn)分布式只會(huì)放大錯(cuò)誤。我自己在實(shí)際項(xiàng)目里最深的體會(huì)是矩陣化不是炫技它是一種讓復(fù)雜博弈問(wèn)題變得可調(diào)試、可量化、可擴(kuò)展的思維方式。當(dāng)你把所有策略、狀態(tài)和收益都裝進(jìn)矩陣你會(huì)發(fā)現(xiàn)自己不再和一堆模棱兩可的規(guī)則搏斗而是在和明確的數(shù)字打交道——這種感覺(jué)對(duì)做系統(tǒng)的人來(lái)說(shuō)遠(yuǎn)比堆功能要踏實(shí)得多。最后分享一個(gè)小技巧不管用什么算法第一版的時(shí)候就把收益矩陣和策略向量打印出來(lái)用終端或簡(jiǎn)單圖表觀察每輪的演化過(guò)程。這比盯著loss曲線直觀得多很多時(shí)候你一眼就能看出策略是卡在局部還是正在朝均衡方向收斂。把這一步做好后面調(diào)參的時(shí)間能省下一大半。