学習時

• 入力
  • 盤面: 現在の状態を表すテンソル（例: 〇×ゲームなら3×3の盤面）。
  • 選択した手: プレイヤーが行った行動（インデックスで表現）。
  • 勝敗: 報酬として反映（+1, 0, -1など）。
• 出力
  • 学習後のモデル。次の状態や行動に基づいて改善されたQ値を予測。

対局時

• 入力
  • 盤面: 現在の状態を表すテンソル。
• 出力
  • 各合法手のQ値: 行動空間に対応するスコア。どの手が有効かを数値で出力。