今天的廢廢，知道如何將一維陣列15 * 1的資料擺放在二維資料17 * 17內了，以下是目前的初步想法。
一維資料格式在DAY9哦，以後有空廢廢會做一個更詳細的文章來解釋目前在做的專題，現在比較忙沒辦法更詳細解釋。

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #預設為撲克編碼 梅花2 ~ A
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #預設為撲克編碼 方塊2 ~ A
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #預設為撲克編碼 紅心2 ~ A
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #預設為撲克編碼 黑桃2 ~ A
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #strength(手牌+已知公共牌 強度0 ~ 12)
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #hnds_level(手牌 強度0 ~ 5)
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #player1_chip
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #player2_chip
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #大小盲注
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #大小盲注
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #大小盲注
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #大小盲注
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #暫時用不到
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #暫時用不到
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #暫時用不到
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #暫時用不到
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] #暫時用不到

廢廢大致建好CNN模型了，[1]設置三個卷積層：第一個隱層設32個5 * 5的捲積核，步長為2；第二個隱層設64個3 * 3的捲積核，步長為2；第三個隱層設有64個2 * 2的捲積核，步長為1。但實際上並未執行，因為廢廢在找怎麼分訓練集和測試集的文章。

# 建立簡單的線性執行的模型
model = Sequential()
#filter為32, Kernel size為(5,5),Padding為(same)
model.add(Conv2D(filters=32,
                kernel_size=(5,5),
                strides=2,
                padding='same',
                input_shape=(17,17,15), 
                activation='relu'))
model.add(Conv2D(filters=64,
                kernel_size=(3,3),
                strides=2,
                padding='same',
                activation='relu'))
model.add(Conv2D(filters=64,
                kernel_size=(2,2),
                strides=2,
                padding='same',
                activation='relu'))

# Drop掉部分神經元避免overfitting
model.add(Dropout(0.25))
# 平坦化
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(5,activation='softmax')) #output玩家行為加注/下注、跟注、讓牌、棄牌、all-in
print(model.summary())

以上是廢廢今天的專題進度，感謝收看！

[1]此處參考【面向智能博弈游戏的卷积神经网络估值方法】