在图灵网的人机对抗AI训练场完成训练后，我们可以前往对抗平台使用模型进行对抗来衡量模型表现；但在前往对抗平台之前，我们也可以通过以下几个途径，初步评估模型的优劣。

1. 通过TensorBoard查看训练数据

对于RL学习框架训练的AI，我们可以通过TensorBoard查看训练数据。 

TensorBoard 的工作原理是读取模型训练时产生的 TensorFlow events 文件，实现监控指标的可视化。目前开放的是SCALARS指标，也是TensorBoard的默认打开样式，此处显示Loss曲线图与Reward曲线图。

训练过程中，TensorBoard实时更新训练数据（在右上角设置中可勾选Reload data every 30s每30秒更新一次数据），这样在训练结束后，保留下来的TensorBoard 界面将显示完整训练的曲线图。

我们可以通过reward数据为正的比例粗略衡量训练的模型表现，同时在训练过程中监控训练是否异常，例如reward曲线持续是水平直线，等等。一个较良好的曲线如图：

同时可鼠标浮标查看每个run的具体数值    

界面右上角“INACTIVE”处存放的是TensorBoard 尚未开放的面板。例如IMAGE面板，一般在如果模型输入是图像（的像素值）时需要用来监控图像输入迭代等；GRAPHS面板可以展示出你所构建的网络整体结构，显示数据流的方向和大小，也可以显示训练时每个节点的用时、耗费的内存大小以及参数多少，等等。目前仅开放了SCALARS展示loss与reward情况，如果对其他面板有需求，欢迎留言交流。

2. 上传复盘文件查看推演和得分

除了训练过程中与训练结束后通过曲线图监测训练效果，对训练过程有疑问的，可以在下载模型之后，通过上传复盘文件来核实每一局推演的具体情况。

点击“下载模型与Agent”下载模型：

复盘文件存放在训练完毕后项目文件的ai/logs/replay下，将复盘文件上传至陆战兵棋推演复盘系统（http://wargame.ia.ac.cn:8080/2DREPLAY/#/），可以播放推演并且核实结果。    

3. 下载模型运行测试代码

ai/test_model.py是用来测试model_save文件夹下模型文件的测试代码，模型文件存放在model_save文件夹下。通过测试某场景下已训练完成的模型在固定局数中能胜利多少局，来衡量模型表现。

测试代码中已有想定、角色、对手等的默认值，其中可在代码中修改enemy来切换对手。测试对手默认demoAI：

enemy = DemoAgent()

例如将测试的对手改为紫冬智剑，则：

from ai.examples.ai.agent import Agent as zizhidongjianAgent

enemy = zizhidongjianAgent()

测试场景的想定、角色等可在执行命令中传入新参数来切换。测试命令示例：

Test red agent：

cd yourBaselineAI

python3 ai/test_model.py --color 0 --model_num 0 --test_path model_save

Test blue agent：

cd yourBaselineAI

python3 ai/test_model.py --color 1 --model_num 0 --test_path model_save

  一个测试结果：下图为过探索四级的RL型AI在201033029601想定对战DemoAI最后一局的分数情况与最后胜率，可以看到结果为10局1胜。

  关于对训练模型的自行测试，如果有什么建议或者遇到什么问题，也欢迎留言交流。