数据API 产品矩阵 案例 关于
掌握聚合最新动态了解行业最新趋势
API接口,开发服务,免费咨询服务

用TensorFlow基于神经网络实现井字棋(含代码)

为了展示如何应用神经网络算法模型,我们将使用神经网络来学习优化井字棋(Tic Tac Toe)。明确井字棋是一种决策性游戏,并且走棋步骤优化是确定的。

开始

为了训练神经网络模型,我们有一系列优化的不同的走棋棋谱,棋谱基于棋盘位置列表和对应的最佳落子点。考虑到棋盘的对称性,通过只关心不对称的棋盘位置来简化棋盘。井字棋的非单位变换(考虑几何变换)可以通过90度、180度、270度、Y轴对称和X轴对称旋转获得。如果这个假设成立,我们使用一系列的棋盘位置列表和对应的最佳落子点,应用两个随机变换,然后赋值给神经网络算法模型学习。

井字棋是一种决策类游戏,注意,先下者要么赢,要么继续走棋。我们希望能训练一个算法模型给出最佳走棋,使得棋局继续。 

在本例中,棋盘走棋一方“×”用“1”表示,对手“O”用“-1”表示,空格棋用“0”表示。图 6-9 展示了棋盘的表示方式和走棋:

 

图6-9 展示棋盘和走棋的表示方式

注意,× = 1,O = -1,空格棋为 0。棋盘位置索引的起始位置标为 0。

除了计算模型损失之外,我们将用两种方法来检测算法模型的性能:第一种检测方法是,从训练集中移除一个位置,然后优化走棋。这能看出神经网络算法模型能否生成以前未有过的走棋(即该走棋不在训练集中);第二种评估的方法是,直接实战井字棋游戏看是否能赢。 

不同的棋盘位置列表和对应的最佳落子点数据在 GitHub [1] 中可以查看。

动手做

1.导入必要的编程库,代码如下:

import tensorflow as tf

import matplotlib.pyplot as plt

import csv

import random

import numpy as np

import random

2.声明训练模型的批量大小,代码如下:

batch_size = 50

3.为了让棋盘看起来更清楚,我们创建一个井字棋的打印函数,代码如下:

def print_board(board):

    symbols = ['O',' ','X']

    board_plus1 = [int(x) + 1 for x in board]

    print(' ' + symbols[board_plus1[0]] + ' | ' + symbols[board_

plus1[1]] + ' | ' + symbols[board_plus1[2]])

    print('___________')

    print(' ' + symbols[board_plus1[3]] + ' | ' + symbols[board_

       plus1[4]] + ' | ' + symbols[board_plus1[5]])

    print('___________')

    print(' ' + symbols[board_plus1[6]] + ' | ' + symbols[board_

       plus1[7]] + ' | ' + symbols[board_plus1[8]])

4.创建get_symmetry()函数,返回变换之后的新棋盘和最佳落子点,代码如下:

def get_symmetry(board, response, transformation):

    '''

    :param board: list of integers 9 long:

    opposing mark = -1

    friendly mark = 1

    empty space = 0

    :param transformation: one of five transformations on a board:

     rotate180, rotate90, rotate270, flip_v, flip_h

     :return: tuple: (new_board, new_response)

           '''

     if transformation == 'rotate180':

        new_response = 8 - response

        return(board[::-1], new_response)

      elif transformation == 'rotate90':

          new_response = [6, 3, 0, 7, 4, 1, 8, 5, 2].index(response)

          tuple_board = list(zip(*[board[6:9], board[3:6], board[0:3]]))

          return([value for item in tuple_board for value in item], new_response)

     elif transformation == 'rotate270':

          new_response = [2, 5, 8, 1, 4, 7, 0, 3, 6].index(response)

          tuple_board = list(zip(*[board[0:3], board[3:6],

       board[6:9]]))[::-1]

          return([value for item in tuple_board for value in item], new_response)

     elif transformation == 'flip_v':

           new_response = [6, 7, 8, 3, 4, 5, 0, 1, 2].index(response)

           return(board[6:9] +  board[3:6] + board[0:3], new_response)

     elif transformation == 'flip_h':

       # flip_h = rotate180, then flip_v

           new_response = [2, 1, 0, 5, 4, 3, 8, 7, 6].index(response)

           new_board = board[::-1]

           return(new_board[6:9] +  new_board[3:6] + new_board[0:3],

   new_response)

       else:

           raise ValueError('Method not implmented.')

5.棋盘位置列表和对应的最佳落子点数据位于.csv文件中。我们将创建get_moves_from_csv()函数来加载文件中的棋盘和最佳落子点数据,并保存成元组,代码如下:

def get_moves_from_csv(csv_file):

       '''

       :param csv_file: csv file location containing the boards w/responses

       :return: moves: list of moves with index of best response

       '''

       moves = []

       with open(csv_file, 'rt') as csvfile:

           reader = csv.reader(csvfile, delimiter=',')

           for row in reader:

               moves.append(([int(x) for x in row[0:9]],int(row[9])))

       return(moves)

6.创建一个get_rand_move()函数,返回一个随机变换棋盘和落子点,代码如下:

def get_rand_move(moves, rand_transforms=2):

    # This function performs random transformations on a board.

    (board, response) = random.choice(moves)

    possible_transforms = ['rotate90', 'rotate180', 'rotate270', 'flip_v', 'flip_h']

     for i in range(rand_transforms):

         random_transform = random.choice(possible_transforms)

         (board, response) = get_symmetry(board, response, random_transform)

           return(board, response)

7.初始化计算图会话,加载数据文件,创建训练集,代码如下:

sess = tf.Session()

moves = get_moves_from_csv('base_tic_tac_toe_moves.csv')

# Create a train set:

train_length = 500

train_set = []

for t in range(train_length):

    train_set.append(get_rand_move(moves))

8.前面提到,我们将从训练集中移除一个棋盘位置和对应的最佳落子点,来看训练的模型是否可以生成最佳走棋。下面棋盘的最佳落子点是棋盘位置索引为6的位置,代码如下:

test_board = [-1, 0, 0, 1, -1, -1, 0, 0, 1]

train_set = [x for x in train_set if x[0] != test_board]

9.创建init_weights()函数和model()函数,分别实现初始化模型变量和模型操作。注意,模型中并没有包含softmax()激励函数,因为softmax()激励函数会在损失函数中出现,代码如下:

def init_weights(shape):

    return(tf.Variable(tf.random_normal(shape)))

def model(X, A1, A2, bias1, bias2):

    layer1 = tf.nn.sigmoid(tf.add(tf.matmul(X, A1), bias1))

    layer2 = tf.add(tf.matmul(layer1, A2), bias2)

    return(layer2)

10.声明占位符、变量和模型,代码如下:

X = tf.placeholder(dtype=tf.float32, shape=[None, 9])

Y = tf.placeholder(dtype=tf.int32, shape=[None])

A1 = init_weights([9, 81])

bias1 = init_weights([81])

A2 = init_weights([81, 9])

bias2 = init_weights([9])

model_output = model(X, A1, A2, bias1, bias2)

11.声明算法模型的损失函数,该函数是最后输出的逻辑变换的平均softmax值。然后声明训练步长和优化器。为了将来可以和训练好的模型对局,我们也需要创建预测操作,代码如下:

loss = tf.reduce_mean( tf.nn.sparse_softmax_cross_entropy_with_logits(model_output, Y))

train_step = tf.train.GradientDescentOptimizer(0.025).minimize(loss)

prediction = tf.argmax(model_output, 1)

12.初始化变量,遍历迭代训练神经网络模型,代码如下:

# Initialize variables

init = tf.initialize_all_variables()

sess.run(init)

loss_vec = []

for i in range(10000):

       # Select random indices for batch

       rand_indices = np.random.choice(range(len(train_set)), batch_size, replace=False)

       # Get batch

       batch_data = [train_set[i] for i in rand_indices]

       x_input = [x[0] for x in batch_data]

       y_target = np.array([y[1] for y in batch_data])

       # Run training step

       sess.run(train_step, feed_dict={X: x_input, Y: y_target})

       # Get training loss

       temp_loss = sess.run(loss, feed_dict={X: x_input, Y: y_

   target})

       loss_vec.append(temp_loss)

       if i%500==0:

           print('iteration ' + str(i) + ' Loss: ' + str(temp_loss))

13.绘制模型训练的损失函数,代码如下(对应的图见图6-10):

plt.plot(loss_vec, 'k-', label='Loss')

plt.title('Loss (MSE) per Generation')

plt.xlabel('Generation')

plt.ylabel('Loss')

plt.show()

未命名1507881765.png

图6-10 迭代10000次训练的井字棋模型的损失函数图

下面绘制模型训练的损失函数: 

1.为了测试模型,将展示如何在测试棋盘(从训练集中移除的数据)使用。我们希望看到模型能生成预测落子点的索引,并且索引值为6。在大部分情况下,模型都会成功预测,代码如下:

test_boards = [test_board]

feed_dict = {X: test_boards}

logits = sess.run(model_output, feed_dict=feed_dict)

predictions = sess.run(prediction, feed_dict=feed_dict)

print(predictions)

2.输出结果如下:

[6]

3.为了能够评估训练模型,我们计划和训练好的模型进行对局。为了实现该功能,我们创建一个函数来检测是否赢了棋局,这样程序才能在该结束的时间喊停,代码如下:

def check(board):

     wins = [[0,1,2], [3,4,5], [6,7,8], [0,3,6], [1,4,7], [2,5,8],[0,4,8], [2,4,6]]

     for i in range(len(wins)):

         if board[wins[i][0]]==board[wins[i][1]]==board[wins[i][2]]==1.:

            return(1)

            elif board[wins[i][0]]==board[wins[i][1]]==board[wins[i][2]]==-1.:

            return(1)

      return(0)

4.现在遍历迭代,同训练模型进行对局。起始棋盘为空棋盘,即为全0值;然后询问棋手要在哪个位置落棋子,即输入0-8的索引值;接着将其传入训练模型进行预测。对于模型的走棋,我们获得了多个可能的预测。最后显示井字棋游戏的样例。对于该游戏来说,我们发现训练的模型表现得并不理想,代码如下:

game_tracker = [0., 0., 0., 0., 0., 0., 0., 0., 0.]

win_logical = False

num_moves = 0

while not win_logical:

       player_index = input('Input index of your move (0-8): ')

       num_moves += 1

       # Add player move to game

       game_tracker[int(player_index)] = 1.

       # Get model's move by first getting all the logits for each

   index

       [potential_moves] = sess.run(model_output, feed_dict={X:

   [game_tracker]})

       # Now find allowed moves (where game tracker values = 0.0)

       allowed_moves = [ix for ix,x in enumerate(game_tracker) if

   x==0.0]

       # Find best move by taking argmax of logits if they are in

   allowed moves

       model_move = np.argmax([x if ix in allowed_moves else -999.0

   for ix,x in enumerate(potential_moves)])

 # Add model move to game

game_tracker[int(model_move)] = -1.

print('Model has moved')

print_board(game_tracker)

# Now check for win or too many moves

if check(game_tracker)==1 or num_moves>=5:

    print('Game Over!')

    win_logical = True

5.人机交互的输出结果如下:

Input index of your move (0-8): 4

Model has moved

O |   | 

___________

  | X | 

___________ 

  |   |   

Input index of your move (0-8): 6

Model has moved

O |   | 

___________

  | X | 

___________ 

X |   |  O 

Input index of your move (0-8): 2

Model has moved

O |   | X 

___________

O | X | 

___________

X |   | O 

Game Over!

工作原理

我们训练一个神经网络模型来玩井字棋游戏,该模型需要传入棋盘位置,其中棋盘的位置是用一个九维向量来表示的。然后预测最佳落子点。我们需要赋值可能的井字棋棋盘,应用随机转换来增加训练集的大小。 

为了测试算法模型,我们移除一个棋盘位置列表和对应的最佳落子点,然后看训练模型能否生成预测的最佳落棋点。最后,我们也和训练模型进行对局,但是结果并不理想,我们仍然需要尝试不同的架构和训练方法来提高效果。

相关链接

  1. https://github.com/nfmcclure/tensorflow_cookbook/tree/master/06_Neural_Networks/08_Learning_Tic_Tac_Toe

高可用架构.png

原文来自:高可用架构

声明:所有来源为“聚合数据”的内容信息,未经本网许可,不得转载!如对内容有异议或投诉,请与我们联系。邮箱:marketing@think-land.com

掌握聚合最新动态了解行业最新趋势
API接口,开发服务,免费咨询服务
用TensorFlow基于神经网络实现井字棋(含代码)
发布:2017-10-13 15:58:51

为了展示如何应用神经网络算法模型,我们将使用神经网络来学习优化井字棋(Tic Tac Toe)。明确井字棋是一种决策性游戏,并且走棋步骤优化是确定的。

开始

为了训练神经网络模型,我们有一系列优化的不同的走棋棋谱,棋谱基于棋盘位置列表和对应的最佳落子点。考虑到棋盘的对称性,通过只关心不对称的棋盘位置来简化棋盘。井字棋的非单位变换(考虑几何变换)可以通过90度、180度、270度、Y轴对称和X轴对称旋转获得。如果这个假设成立,我们使用一系列的棋盘位置列表和对应的最佳落子点,应用两个随机变换,然后赋值给神经网络算法模型学习。

井字棋是一种决策类游戏,注意,先下者要么赢,要么继续走棋。我们希望能训练一个算法模型给出最佳走棋,使得棋局继续。 

在本例中,棋盘走棋一方“×”用“1”表示,对手“O”用“-1”表示,空格棋用“0”表示。图 6-9 展示了棋盘的表示方式和走棋:

 

图6-9 展示棋盘和走棋的表示方式

注意,× = 1,O = -1,空格棋为 0。棋盘位置索引的起始位置标为 0。

除了计算模型损失之外,我们将用两种方法来检测算法模型的性能:第一种检测方法是,从训练集中移除一个位置,然后优化走棋。这能看出神经网络算法模型能否生成以前未有过的走棋(即该走棋不在训练集中);第二种评估的方法是,直接实战井字棋游戏看是否能赢。 

不同的棋盘位置列表和对应的最佳落子点数据在 GitHub [1] 中可以查看。

动手做

1.导入必要的编程库,代码如下:

import tensorflow as tf

import matplotlib.pyplot as plt

import csv

import random

import numpy as np

import random

2.声明训练模型的批量大小,代码如下:

batch_size = 50

3.为了让棋盘看起来更清楚,我们创建一个井字棋的打印函数,代码如下:

def print_board(board):

    symbols = ['O',' ','X']

    board_plus1 = [int(x) + 1 for x in board]

    print(' ' + symbols[board_plus1[0]] + ' | ' + symbols[board_

plus1[1]] + ' | ' + symbols[board_plus1[2]])

    print('___________')

    print(' ' + symbols[board_plus1[3]] + ' | ' + symbols[board_

       plus1[4]] + ' | ' + symbols[board_plus1[5]])

    print('___________')

    print(' ' + symbols[board_plus1[6]] + ' | ' + symbols[board_

       plus1[7]] + ' | ' + symbols[board_plus1[8]])

4.创建get_symmetry()函数,返回变换之后的新棋盘和最佳落子点,代码如下:

def get_symmetry(board, response, transformation):

    '''

    :param board: list of integers 9 long:

    opposing mark = -1

    friendly mark = 1

    empty space = 0

    :param transformation: one of five transformations on a board:

     rotate180, rotate90, rotate270, flip_v, flip_h

     :return: tuple: (new_board, new_response)

           '''

     if transformation == 'rotate180':

        new_response = 8 - response

        return(board[::-1], new_response)

      elif transformation == 'rotate90':

          new_response = [6, 3, 0, 7, 4, 1, 8, 5, 2].index(response)

          tuple_board = list(zip(*[board[6:9], board[3:6], board[0:3]]))

          return([value for item in tuple_board for value in item], new_response)

     elif transformation == 'rotate270':

          new_response = [2, 5, 8, 1, 4, 7, 0, 3, 6].index(response)

          tuple_board = list(zip(*[board[0:3], board[3:6],

       board[6:9]]))[::-1]

          return([value for item in tuple_board for value in item], new_response)

     elif transformation == 'flip_v':

           new_response = [6, 7, 8, 3, 4, 5, 0, 1, 2].index(response)

           return(board[6:9] +  board[3:6] + board[0:3], new_response)

     elif transformation == 'flip_h':

       # flip_h = rotate180, then flip_v

           new_response = [2, 1, 0, 5, 4, 3, 8, 7, 6].index(response)

           new_board = board[::-1]

           return(new_board[6:9] +  new_board[3:6] + new_board[0:3],

   new_response)

       else:

           raise ValueError('Method not implmented.')

5.棋盘位置列表和对应的最佳落子点数据位于.csv文件中。我们将创建get_moves_from_csv()函数来加载文件中的棋盘和最佳落子点数据,并保存成元组,代码如下:

def get_moves_from_csv(csv_file):

       '''

       :param csv_file: csv file location containing the boards w/responses

       :return: moves: list of moves with index of best response

       '''

       moves = []

       with open(csv_file, 'rt') as csvfile:

           reader = csv.reader(csvfile, delimiter=',')

           for row in reader:

               moves.append(([int(x) for x in row[0:9]],int(row[9])))

       return(moves)

6.创建一个get_rand_move()函数,返回一个随机变换棋盘和落子点,代码如下:

def get_rand_move(moves, rand_transforms=2):

    # This function performs random transformations on a board.

    (board, response) = random.choice(moves)

    possible_transforms = ['rotate90', 'rotate180', 'rotate270', 'flip_v', 'flip_h']

     for i in range(rand_transforms):

         random_transform = random.choice(possible_transforms)

         (board, response) = get_symmetry(board, response, random_transform)

           return(board, response)

7.初始化计算图会话,加载数据文件,创建训练集,代码如下:

sess = tf.Session()

moves = get_moves_from_csv('base_tic_tac_toe_moves.csv')

# Create a train set:

train_length = 500

train_set = []

for t in range(train_length):

    train_set.append(get_rand_move(moves))

8.前面提到,我们将从训练集中移除一个棋盘位置和对应的最佳落子点,来看训练的模型是否可以生成最佳走棋。下面棋盘的最佳落子点是棋盘位置索引为6的位置,代码如下:

test_board = [-1, 0, 0, 1, -1, -1, 0, 0, 1]

train_set = [x for x in train_set if x[0] != test_board]

9.创建init_weights()函数和model()函数,分别实现初始化模型变量和模型操作。注意,模型中并没有包含softmax()激励函数,因为softmax()激励函数会在损失函数中出现,代码如下:

def init_weights(shape):

    return(tf.Variable(tf.random_normal(shape)))

def model(X, A1, A2, bias1, bias2):

    layer1 = tf.nn.sigmoid(tf.add(tf.matmul(X, A1), bias1))

    layer2 = tf.add(tf.matmul(layer1, A2), bias2)

    return(layer2)

10.声明占位符、变量和模型,代码如下:

X = tf.placeholder(dtype=tf.float32, shape=[None, 9])

Y = tf.placeholder(dtype=tf.int32, shape=[None])

A1 = init_weights([9, 81])

bias1 = init_weights([81])

A2 = init_weights([81, 9])

bias2 = init_weights([9])

model_output = model(X, A1, A2, bias1, bias2)

11.声明算法模型的损失函数,该函数是最后输出的逻辑变换的平均softmax值。然后声明训练步长和优化器。为了将来可以和训练好的模型对局,我们也需要创建预测操作,代码如下:

loss = tf.reduce_mean( tf.nn.sparse_softmax_cross_entropy_with_logits(model_output, Y))

train_step = tf.train.GradientDescentOptimizer(0.025).minimize(loss)

prediction = tf.argmax(model_output, 1)

12.初始化变量,遍历迭代训练神经网络模型,代码如下:

# Initialize variables

init = tf.initialize_all_variables()

sess.run(init)

loss_vec = []

for i in range(10000):

       # Select random indices for batch

       rand_indices = np.random.choice(range(len(train_set)), batch_size, replace=False)

       # Get batch

       batch_data = [train_set[i] for i in rand_indices]

       x_input = [x[0] for x in batch_data]

       y_target = np.array([y[1] for y in batch_data])

       # Run training step

       sess.run(train_step, feed_dict={X: x_input, Y: y_target})

       # Get training loss

       temp_loss = sess.run(loss, feed_dict={X: x_input, Y: y_

   target})

       loss_vec.append(temp_loss)

       if i%500==0:

           print('iteration ' + str(i) + ' Loss: ' + str(temp_loss))

13.绘制模型训练的损失函数,代码如下(对应的图见图6-10):

plt.plot(loss_vec, 'k-', label='Loss')

plt.title('Loss (MSE) per Generation')

plt.xlabel('Generation')

plt.ylabel('Loss')

plt.show()

未命名1507881765.png

图6-10 迭代10000次训练的井字棋模型的损失函数图

下面绘制模型训练的损失函数: 

1.为了测试模型,将展示如何在测试棋盘(从训练集中移除的数据)使用。我们希望看到模型能生成预测落子点的索引,并且索引值为6。在大部分情况下,模型都会成功预测,代码如下:

test_boards = [test_board]

feed_dict = {X: test_boards}

logits = sess.run(model_output, feed_dict=feed_dict)

predictions = sess.run(prediction, feed_dict=feed_dict)

print(predictions)

2.输出结果如下:

[6]

3.为了能够评估训练模型,我们计划和训练好的模型进行对局。为了实现该功能,我们创建一个函数来检测是否赢了棋局,这样程序才能在该结束的时间喊停,代码如下:

def check(board):

     wins = [[0,1,2], [3,4,5], [6,7,8], [0,3,6], [1,4,7], [2,5,8],[0,4,8], [2,4,6]]

     for i in range(len(wins)):

         if board[wins[i][0]]==board[wins[i][1]]==board[wins[i][2]]==1.:

            return(1)

            elif board[wins[i][0]]==board[wins[i][1]]==board[wins[i][2]]==-1.:

            return(1)

      return(0)

4.现在遍历迭代,同训练模型进行对局。起始棋盘为空棋盘,即为全0值;然后询问棋手要在哪个位置落棋子,即输入0-8的索引值;接着将其传入训练模型进行预测。对于模型的走棋,我们获得了多个可能的预测。最后显示井字棋游戏的样例。对于该游戏来说,我们发现训练的模型表现得并不理想,代码如下:

game_tracker = [0., 0., 0., 0., 0., 0., 0., 0., 0.]

win_logical = False

num_moves = 0

while not win_logical:

       player_index = input('Input index of your move (0-8): ')

       num_moves += 1

       # Add player move to game

       game_tracker[int(player_index)] = 1.

       # Get model's move by first getting all the logits for each

   index

       [potential_moves] = sess.run(model_output, feed_dict={X:

   [game_tracker]})

       # Now find allowed moves (where game tracker values = 0.0)

       allowed_moves = [ix for ix,x in enumerate(game_tracker) if

   x==0.0]

       # Find best move by taking argmax of logits if they are in

   allowed moves

       model_move = np.argmax([x if ix in allowed_moves else -999.0

   for ix,x in enumerate(potential_moves)])

 # Add model move to game

game_tracker[int(model_move)] = -1.

print('Model has moved')

print_board(game_tracker)

# Now check for win or too many moves

if check(game_tracker)==1 or num_moves>=5:

    print('Game Over!')

    win_logical = True

5.人机交互的输出结果如下:

Input index of your move (0-8): 4

Model has moved

O |   | 

___________

  | X | 

___________ 

  |   |   

Input index of your move (0-8): 6

Model has moved

O |   | 

___________

  | X | 

___________ 

X |   |  O 

Input index of your move (0-8): 2

Model has moved

O |   | X 

___________

O | X | 

___________

X |   | O 

Game Over!

工作原理

我们训练一个神经网络模型来玩井字棋游戏,该模型需要传入棋盘位置,其中棋盘的位置是用一个九维向量来表示的。然后预测最佳落子点。我们需要赋值可能的井字棋棋盘,应用随机转换来增加训练集的大小。 

为了测试算法模型,我们移除一个棋盘位置列表和对应的最佳落子点,然后看训练模型能否生成预测的最佳落棋点。最后,我们也和训练模型进行对局,但是结果并不理想,我们仍然需要尝试不同的架构和训练方法来提高效果。

相关链接

  1. https://github.com/nfmcclure/tensorflow_cookbook/tree/master/06_Neural_Networks/08_Learning_Tic_Tac_Toe

高可用架构.png

原文来自:高可用架构

声明:所有来源为“聚合数据”的内容信息,未经本网许可,不得转载!如对内容有异议或投诉,请与我们联系。邮箱:marketing@think-land.com

选择想要的接口, 看看能免费获取多少次调用 选择(单选)或填写想要的接口
  • 短信API服务
  • 银行卡四元素检测[简]
  • 身份证实名认证
  • 手机状态查询
  • 三网手机实名制认证[简]
  • 身份证OCR识别
  • 证件识别
  • 企业工商信息
短信API服务
  • 短信API服务
  • 银行卡四元素检测[简]
  • 身份证实名认证
  • 手机状态查询
  • 三网手机实名制认证[简]
  • 身份证OCR识别
  • 证件识别
  • 企业工商信息
  • 确定
选择您的身份
请选择寻找接口的目的
预计每月调用量
请选择预计每月调用量
产品研发的阶段
请选择产品研发的阶段
×

前往领取
电话 0512-88869195
×
企业用户认证,
可获得1000次免费调用
注册登录 > 企业账户认证 > 领取接口包
企业用户认证领取接口包 立即领取
× 企业用户认证,
可获得1000次免费调用,立即领取>
数 据 驱 动 未 来
Data Drives The Future