请注意，神经网络可能不是在这里使用的最好方法。关于这一点，我会在回答结尾部分详细解释，现在我先回答你的问题。
现在我不知道应该将什么作为输入发送到人工神经网络中，也不知道如何提取输出（每个回合减少的卡牌数量，因此不能让每个输出神经元成为可能的卡牌），如何进行教学以及何时进行教学。
人工神经网络需要有标签的输入数据。这意味着一对(X, y)，其中X可以是与您的问题相关的任何(结构化)数据，而y是您期望人工神经网络为X学习的正确答案列表。
例如，想想你在学校如何学数学。老师会在黑板上做几个练习题，而你会把它们写下来。这就是你的训练数据。
然后，老师会邀请你去黑板上自己做一个。一开始你可能做得不好，但他/她会指导你走向正确的方向。这就是训练部分。
然后，你将不得不自己做问题，希望已经学会了。
问题是，即使是这种微不足道的例子对于人工神经网络来说也太复杂了。人工神经网络通常接受实值数字并输出一个或多个实值数字。因此，它实际上比学习关于ax + b = 0类型方程的小学生还要愚蠢。
对于你的特定问题，很难看出它如何符合这种格式。作为一个整体，它不符合：你不能向人工神经网络呈现一个游戏并让它学习移动，那太复杂了。您需要向其提供具有正确数值标签的内容，并希望人工神经网络学习底层模式。
为此，您应该将问题分解为子问题。例如，输入当前玩家的卡牌，并期望输出正确的移动。
人工神经网络只应关注当前玩家。我不会使用元数据或任何其他标识玩家的信息。
给它一个历史记录可能会变得复杂。你可能需要用到递归神经网络。
是的，但同样，我不会使用元数据。
也可以。
请确保您有尽可能多的输入单元，即您想要输入的最大卡牌数量（2 x 总可能的卡牌，用于手中的卡牌和桌面上的卡牌）。这将是一个二进制向量，其中第i个位置为真，如果对应于该位置的卡牌存在于手中/桌面上。
然后对于移动做同样的操作：您将拥有
m个二进制输出单元，其中第
i个将为真，如果人工神经网络认为您应该执行
i移动，总共有
m个可能的移动（如果
m取决于游戏阶段，则选择最大值）。
您的训练数据也必须采用此格式。为简单起见，我们假设手中最多有2张牌，在桌子上最多有2张牌，共有5张牌可供选择，并且我们可以选择2种行动（比如弃牌和全押）。然后，一个可能的训练实例是：
Xi = 1 0 0 1 0 0 0 0 1 1 (meaning cards 1 and 4 in hand, cards 4 and 5 on table)
yi = 0 1 (meaning you should go all in in this case)
我也不确定何时教它（每轮之后还是每局之后），因为拥有所有罚牌很有益，但只剩一个罚牌则很糟糕。
您应该收集大量标记的训练数据，按照我描述的格式进行训练，然后使用它。您需要成千上万的游戏才能看到良好的表现。在每次回合或游戏之后进行教学很难做得好。
这将导致非常庞大的神经网络。您可以尝试预测在当前游戏配置下谁会赢。这将显着减少输出单元的数量，使学习更容易。例如，在桌子上和手中的卡片给定的情况下，当前玩家获胜的概率是多少？通过足够的训练数据，神经网络可以尝试学习这些概率。
存在明显的缺点：需要大量的训练数据集。没有对游戏进行如何进行的记忆（除非您使用更高级的网络）。
对于这样的游戏，建议您阅读强化学习或专门针对您特定游戏的算法。例如，教授 ANN 下国际象棋可能会很困难，而且我怀疑您是否能教它玩纸牌游戏。
