Przejdź do głównej zawartości

Pierwsze kroki

Instalacja​

Aby zainstalować AlphaCube, otwórz terminal i uruchom następujące polecenie:

pip install -U alphacube

Użycie​

Podstawy​

Używanie AlphaCube w Pythonie jest proste. Przy pierwszym wywołaniu alphacube.load() wymagane dane modelu zostaną pobrane i zapisane w pamięci podręcznej.

import alphacube

# Załaduj wstępnie wytrenowany model
# Domyślnie "small" na CPU, "large" na GPU
alphacube.load()

# Rozwiąż kostkę na podstawie danego mieszania
result = alphacube.solve(
    scramble="D U F2 L2 U' B2 F2 D L2 U R' F' D R' F' U L D' F' D R2",
    beam_width=1024,
)
print(result)
Wynik
{
    'solutions': [
        "D L D2 R' U2 D B' D' U2 B U2 B' U' B2 D B2 D' B2 F2 U2 F2"
    ],
    'num_nodes': 19744,        # Całkowita liczba zbadanych węzłów wyszukiwania
    'time': 1.4068585219999659 # Czas w sekundach
}

Poprawa jakości rozwiązania​

Jeśli chcesz uzyskać krótsze rozwiązania, zwiększ parametr beam_width. Sprawia to, że wyszukiwanie jest bardziej wyczerpujące kosztem dłuższego czasu obliczeń.

result = alphacube.solve(
    scramble="D U F2 L2 U' B2 F2 D L2 U R' F' D R' F' U L D' F' D R2",
    beam_width=65536,
)
print(result)
Wynik
{
    'solutions': [
        "D' R' D2 F' L2 F' U B F D L D' L B D2 R2 F2 R2 F'",
        "D2 L2 R' D' B D2 B' D B2 R2 U2 L' U L' D' U2 R' F2 R'"
    ],
    'num_nodes': 968984,
    'time': 45.690575091997744
}

Zezwalanie na kilka dodatkowych ruchów​

Możesz uzyskać nie tylko najkrótsze rozwiązania, ale także nieco dłuższe, używając parametru extra_depths. Instruuje to solwer, aby kontynuował wyszukiwanie po znalezieniu pierwszego rozwiązania.

alphacube.load()  # model_id="small"
result = alphacube.solve(
    scramble="D U F2 L2 U' B2 F2 D L2 U R' F' D R' F' U L D' F' D R2",
    beam_width=65536,
    extra_depths=1
)
print(result)
Wynik
{
    'solutions': [
        "D' R' D2 F' L2 F' U B F D L D' L B D2 R2 F2 R2 F'",
        "D2 L2 R' D' B D2 B' D B2 R2 U2 L' U L' D' U2 R' F2 R'",
        "D R F2 L' U2 R2 U2 R2 B2 U' F B2 D' F' D' R2 F2 U F2 L2",  # dodatkowe
        "L' D' R' D2 L B' U F2 U R' U' F B' R2 B R B2 F D2 B",      # dodatkowe
        "R' F L2 D R2 U' B' L' U2 F2 U L U B2 U2 R2 D' U B2 R2",    # dodatkowe
        "L' U' F' R' U D B2 L' B' R' B U2 B2 L2 D' R2 U' D R2 U2"   # dodatkowe
    ],
    'num_nodes': 1100056,
    'time': 92.809575091997744
}

Akceleracja GPU​

Jeśli masz kompatybilne GPU lub komputer Mac, możesz uzyskać znaczne przyspieszenie, ładując model large.

alphacube.load(model_id="large")
result = alphacube.solve(
    scramble="D U F2 L2 U' B2 F2 D L2 U R' F' D R' F' U L D' F' D R2",
    beam_width=65536,
)
print(result)
Wynik
{
    'solutions': ["D F L' F' U2 B2 U F' L R2 B2 U D' F2 U2 R D'"],
    'num_nodes': 903448,
    'time': 20.46845487099995
}

Stosowanie współczynnika ergonomii​

Aby znaleźć rozwiązania łatwiejsze do ręcznego wykonania, przekaż słownik ergonomic_bias do metody solve. Każdemu ruchowi przypisana jest ocena, gdzie wyższe oceny oznaczają bardziej pożądane ruchy. Umożliwia to również szerokie ruchy, takie jak u i r.

ergonomic_bias = {
    "U": 0.9,   "U'": 0.9,  "U2": 0.8,
    "R": 0.8,   "R'": 0.8,  "R2": 0.75,
    "L": 0.55,  "L'": 0.4,  "L2": 0.3,
    "F": 0.7,   "F'": 0.6,  "F2": 0.6,
    "D": 0.3,   "D'": 0.3,  "D2": 0.2,
    "B": 0.05,  "B'": 0.05, "B2": 0.01,
    "u": 0.45,  "u'": 0.45, "u2": 0.4,
    "r": 0.3,   "r'": 0.3,  "r2": 0.25,
    "l": 0.2,   "l'": 0.2,  "l2": 0.15,
    "f": 0.35,  "f'": 0.3,  "f2": 0.25,
    "d": 0.15,  "d'": 0.15, "d2": 0.1,
    "b": 0.03,  "b'": 0.03, "b2": 0.01
}

result = alphacube.solve(
    scramble="D U F2 L2 U' B2 F2 D L2 U R' F' D R' F' U L D' F' D R2",
    beam_width=65536,
    ergonomic_bias=ergonomic_bias
)
print(result)
Wynik
{
    'solutions': [
        "u' U' f' R2 U2 R' L' F' R D2 f2 R2 U2 R U L' U R L",
        "u' U' f' R2 U2 R' L' F' R D2 f2 R2 U2 R d F' U f F",
        "u' U' f' R2 U2 R' L' F' R u2 F2 R2 D2 R u f' l u U"
    ],
    'num_nodes': 1078054,
    'time': 56.13087955299852
}

Modele i kompromisy​

AlphaCube oferuje trzy optymalnie obliczeniowo wytrenowane modele z oryginalnej publikacji: "small", "base" i "large".

Chociaż większe modele są dokładniejsze, najlepszy wybór zależy od Twojego sprzętu.

  • Na CPU, model "small" jest często najbardziej efektywnym czasowo wyborem.
  • Na GPU, model "large" wykazuje najwyższą wydajność i znajduje najlepsze rozwiązania w najkrótszym czasie.

Kompromis między obliczeniami a jakością rozwiązania na CPU

Kompromis między obliczeniami a jakością rozwiązania na GPU

Opcja wiersza poleceń (CLI)​

Jeśli wolisz używać alphacube z wiersza poleceń, możesz to zrobić w następujący sposób:

alphacube \
    --model_id large \
    --scramble "F U2 L2 B2 F U L2 U R2 D2 L' B L2 B' R2 U2" \
    --beam_width 100000 \
    --extra_depths 3 \
    --verbose

Z skróconymi flagami,

alphacube \
    -m large \
    -s "F U2 L2 B2 F U L2 U R2 D2 L' B L2 B' R2 U2" \
    -bw 100000 \
    -ex 3 \
    -v

Więcej szczegółów znajdziesz w Dokumentacji API > CLI.

Uwaga: Interfejs wiersza poleceń (CLI) ładuje określony model przy każdym uruchomieniu, co sprawia, że jest on najlepiej dostosowany do jednorazowych poleceń, a nie do wielokrotnego rozwiązywania w skrypcie.