flandre/deep2048

Fork 0

Files

hisatri 4410defbe5 增加L0训练阶段的MCTS部分

2025-07-23 07:04:10 +08:00

5.2 KiB

Raw Blame History

Deep2048 项目组织总结

📁 项目结构整理

1. 测试文件整理

已整理的测试文件 (tests/ 目录):

test_training_data.py - 训练数据模块测试
test_game_engine.py - 游戏引擎测试
test_mcts.py - MCTS算法测试
run_all_tests.py - 统一测试运行器

运行测试:

# 运行所有测试
python tests/run_all_tests.py

# 快速测试（跳过性能测试）
python tests/run_all_tests.py --quick

# 运行特定测试
python -m pytest tests/test_training_data.py -v

2. 数据目录命名规范

统一命名规范:

data/                    # 所有数据文件
├── training/           # 训练数据
├── l0_training/        # L0阶段训练数据
├── l0_production/      # L0生产数据
└── l0_test/           # L0测试数据

logs/                   # 所有日志文件
├── l0_generation/      # L0数据生成日志
├── l0_production/      # L0生产日志
└── l0_test/           # L0测试日志

checkpoints/            # 所有检查点文件
├── l0/                # L0检查点
├── l0_production/      # L0生产检查点
└── l0_test/           # L0测试检查点

results/               # 结果输出
└── benchmark/         # 基准测试结果

outputs/               # 其他输出文件
models/                # 模型文件

已更新的配置:

training_data.py - 默认数据目录: data/training
l0_play.py - L0数据目录: data/l0_training
l0_config.json - 生产配置更新

3. .gitignore 管理

统一的忽略规则:

# 统一数据目录
data/
logs/
checkpoints/
outputs/
results/
models/

# 临时数据目录（旧命名，逐步迁移）
*_data/
*_logs/
*_checkpoints/
training_data/
# ... 其他旧目录

# 数据文件
*.pkl
*.pickle
*.pth
*.pt
*.h5
*.npz

# 临时文件
*.tmp
*.temp
*.bak
*.backup

🛠️ 新增工具

1. 快速基准测试工具

功能:

自动测试不同线程数的性能
找出最优的MCTS配置
测试不同棋盘大小和模拟深度
生成性能报告和推荐配置

使用方法:

# 快速测试（推荐）
python benchmark_tool.py --quick

# 完整基准测试
python benchmark_tool.py

# 指定输出目录
python benchmark_tool.py -o results/my_benchmark

示例输出:

🎯 快速推荐:
  最优线程数: 1
  预期速度: 241.3 模拟/秒
  CPU效率: 241.3 模拟/秒/核心

2. 项目清理工具

功能:

扫描和清理临时文件
清理旧命名的数据目录
清理Python缓存和日志文件
预览模式和交互式确认

使用方法:

# 预览清理（不实际删除）
python tools/cleanup.py --dry-run

# 交互式清理
python tools/cleanup.py

# 自动清理（不询问）
python tools/cleanup.py --yes

📊 性能基准结果

测试环境:

CPU: 多核处理器
测试配置: 3x3棋盘, 200次模拟

关键发现:

最优线程数: 1线程 (241.3 模拟/秒)
多线程效果: 在当前实现中，多线程没有显著提升
推荐配置:
- 线程数: 1
- 模拟深度: 80
- 棋盘大小: 3x3 (L0阶段)

🚀 使用建议

1. 开发环境设置

# 1. 运行快速基准测试
python benchmark_tool.py --quick

# 2. 根据结果配置MCTS
mcts = PureMCTS(
    c_param=1.414,
    max_simulation_depth=80,
    num_threads=1  # 根据基准测试结果
)

# 3. 运行测试确保功能正常
python tests/run_all_tests.py --quick

2. L0数据生成

# 快速测试
python l0_play.py --quick

# 生产环境（使用优化配置）
python l0_play.py --config l0_config.json

3. 项目维护

# 定期清理临时文件
python tools/cleanup.py --dry-run  # 先预览
python tools/cleanup.py            # 确认后清理

# 运行完整测试
python tests/run_all_tests.py

📈 性能优化建议

1. MCTS配置优化

基于基准测试结果:

单线程最优: 当前实现中单线程性能最佳
模拟深度: 80为性能和质量的平衡点
棋盘大小: 3x3适合L0阶段快速训练

2. 数据管理优化

使用统一的数据目录结构
定期清理临时文件释放空间
使用检查点功能支持断点续传

3. 开发流程优化

使用快速基准测试确定最优配置
运行测试套件确保代码质量
使用清理工具维护项目整洁

🎯 下一步计划

性能优化:
- 研究多线程性能瓶颈
- 优化MCTS算法实现
- 考虑CUDA加速的实际应用
功能扩展:
- 添加更多基准测试指标
- 实现自动配置调优
- 添加可视化工具
工程化改进:
- 添加配置验证
- 改进错误处理
- 完善文档和示例

📝 总结

通过本次整理，项目现在具备了:

✅ 清晰的目录结构 - 统一的命名规范和组织方式
✅ 完整的测试套件 - 覆盖核心功能的测试
✅ 性能基准工具 - 自动找出最优配置
✅ 项目维护工具 - 自动清理和管理
✅ 标准化的工作流 - 从开发到部署的完整流程

项目现在更加工程化、易维护，为后续的神经网络训练和模型优化奠定了坚实的基础。

5.2 KiB Raw Blame History