[Python] 让AI来解决数独和数独谜题

---

这应该是本站最好的人工智能资料库

本文由 EasyAI 原创，首发于 CSDN

⌚️ 欢迎点赞 收藏 ⭐留言 如有错误敬请指正！

未来很长，值得我们全力奔赴更美好的生活✋

---

介绍

一个周末，我和我女儿在一起玩数独游戏。 不管花多少时间， 都没多少空白 （无法解决） 问题。

因此，我想创建一个AI，它可以自动解决数独和无论如何都无法解决的数独问题

使用 Python 制作了从数独图像自动派生答案的 AI （人工智能）， 因此做成文章。 作为概述，我们使用 PyTorch 创建的 CNN 进行图像识别，并在获得字符后执行深度优先搜索 （DFS）。

源代码

---

最终效果

下面， 从数独的照片中可以瞬间得出答案。

---

算法

就目前情况而言

1. AI 字符识别
2. 根据获得的字符应用深度优先搜索 （DFS）

它已成为一个两阶段的算法。

OCR 没有被采用，因为我们想在未来解决手写字符的问题。

---

改进

在当前的求解方法，深度优先搜索（DFS）中，计算复杂度为O($n^{\sim }3$)

感知速度没有什么特别的问题，但是如果使用线性规划，
听说可以用O($n^{\sim }2$)来计算，所以打算不时更新一下

---

困难点

困难点大致分为 3 点， 所以分别介绍一下。

创建您自己的数据集

在数字数据集中搜索时， 只捕获了 MNIST 数据集。 因此，使用 MNIST 数据集进行学习和推论的结果是，字符识别的精度与目标 100% 相去甚远，约为 70%。

我们认为，由于实际推断的数字图像不是手写的数字字符，因此有必要自己创建数据集。
用于实际推理的图像示例

因此，我们收集了 10 个不同的数字图像，从 0 到 9，每个图像包含 0 到 9 个数字字符。 使用您自己的数据集进行学习和推理的结果是，精度为 90%，目标为 100%。
精度的显著提高是数据集的一个主要问题！

由于数据量小， 使用跟踪转换来变形用于学习的图像。

识别空白和 1

第二个困难是意外的空白和 1 的识别。 因为正确回答率不是100%，所以比较推论结果和正确答案时，推测应该为空的方块为1。

究竟为什么？经过思考，得出了四边黑线可能做错了的结论。 原因是，由于CNN的特点，黑线可能被识别为1。

为了验证真实性，提高准确率，我们在程序中实现了数据增强，在正方形的四个边上随机画黑线。

结果，我们能够将准确率提高到 98%！

也就是说，四边的黑线做错了什么的假设是正确的！

达到 100% 的准确度

100% 的数字识别率对于正确解决数独问题至关重要。
因此ImageNet，我们使用了预训练的权重并设计了一个学习率。顺便说一句，本文ResNet18使用 .

使用的学习率有以下大纲↓

之所以选择这样的学习率（WarmUp）是为了有效利用预训练的特征。
因此，初始学习率设置为接近 0 的值。

结果，我们能够达到 100% 的准确率！

---

总结

这一次，我写了一篇关于可以解决我创建的数独的 AI 的文章。有些任务很难解决，但我很欣慰，我设法成型了！