入门指南

安装

要安装 AlphaCube，请打开终端并运行以下命令：

pip install alphacube

使用

基本用法

在 Python 中使用 AlphaCube 非常简单，如下所示：

import alphacube

# 加载训练好的深度神经网络
alphacube.load(model_id="small")  # 默认模型

# 使用给定的打乱公式求解魔方
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)

输出

{
    '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,
    'time': 1.4068585219999659
}

提高解法质量

如果你想获得更短的解法，只需增加 beam_width 参数：

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,
)
print(result)

输出

{
    '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
}

允许一些额外步数

你可能不仅想获得最短的解法，还想获得稍微冗余一些的解法。这样，你可以降低忽略优秀解法的风险。

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)

输出

{
    '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",
        "L' D' R' D2 L B' U F2 U R' U' F B' R2 B R B2 F D2 B",
        "R' F L2 D R2 U' B' L' U2 F2 U L U B2 U2 R2 D' U B2 R2",
        "L' U' F' R' U D B2 L' B' R' B U2 B2 L2 D' R2 U' D R2 U2"
    ],
    'num_nodes': 1100056,
    'time': 92.809575091997744
}

应用人体工程学偏好

人体工程学偏好允许你以数值方式指定特定步骤的期望程度，这些步骤感觉更快、更容易执行。要应用人体工程学偏好，请在 solve 方法中提供一个 ergonomic_bias 字典。每个步骤（例如 "U"、"U'"、"U2"）都被分配一个分数，其中较高的分数表示更符合人体工程学的步骤。

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)

输出

{
    '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
}

GPU 加速

如果你有 GPU，我们强烈建议你选择最大的模型以获得最佳性能：

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)

输出

{
    'solutions': ["D F L' F' U2 B2 U F' L R2 B2 U D' F2 U2 R D'"],
    'num_nodes': 903448,
    'time': 20.46845487099995
}

详细模式

此外，你可以调用 alphacube.set_verbose() 来跟踪进度。它将在终端上显示当前的搜索深度。

模型与权衡

AlphaCube 提供了 EfficientCube 论文中的三个最大模型："small"、"base" 和 "large"。

尽管你可能期望 "large" 模型表现最好（"base" 模型表现更好）因为它们具有更高的准确性，但在没有 GPU 的情况下，实际上并非如此。

事实上，在没有 GPU 的情况下，"small" 模型成为 CPU 运行时的最佳选择。这是因为 CPU 在计算深度神经网络时本身会花费大量时间。"small" 模型在达到一定优化水平时证明是最节省时间的。

尽管在预测下一步时，较小的模型不如较大的模型准确，但较小的模型处理一批状态的速度要快得多。因此，如果你没有 GPU，在相同的时间范围内，选择 "small" 模型并使用足够宽的搜索宽度通常会产生最佳解法。

另一方面，如下图所示，当在 GPU 上部署时，最大的模型（"large"）表现出最高的时间效率。

命令行选项

如果你更喜欢从命令行界面（CLI）使用 AlphaCube，你可以这样做：

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

使用缩写标志，

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

请在 API 参考 > CLI 中找到更多详细信息。

注意： 请注意，CLI 选项涉及为每个请求加载（和卸载）指定的模型。因此，这个 CLI 选项最好用于一次性执行该包。