Распознавание текста и использование нейронных сетей

извеняюсь, повидимому это не вопрос программирования

1 - mask rcnn.
2 - подать на вход предыдущий ход.

По поводу шахмат. Думается мне что не так строят эти сети. Вместо этого тренируется сеть, которая оценивает позицию, и дальше добивается Монте-Карло.

Какие-то космические планы. Про сверточные сети знаю очень мало, но остальные довольно тупо устроены и в шахматы точно играть не умеют. Тот же перцептрон - это больше экстраполяции функции по заданной выборке. Там только фишка в том, что можно очень дешево вычислить эту экстраполяцию (метод обратного распространения ошибки), да и то, что полученная функция довольно общего вида для того, чтобы хорошо экстраполировать (есть теоремы).

Говорят, сети сделали неимоверный рывок за последние годы, и это во многом благодаря сверточным сетям, но кажется, что и они тоже в шахматы играть не умеют!

Ну, ладно, оценить как-то позицию может быть и можно сеткой, но дальше, скорее всего, перебор и альфа-бета-отсечение.

Да, именно так. Смотрите на alphago/alphazero и серию лекций по reinforcement learning от David Silver, если интересно

но дальше, скорее всего, перебор и альфа-бета-отсечение

Monte-carlo tree search (MCTS) в основном используют. Гуглить, AlphaZero.

Правда есть ещё OpenAI с ботом, играющим в доту 2, там используются только нейросети. Планированием там управляет сеть LSTM (long short-term memory).

Ого, чего напридумывали за последние годы! Не следил со времен Братко.

как возвращать из нейронной сети множественное значение правильно? И как в этом случае правильно конструировать нейронную сеть?

Обычные сети основаны на слоях сюръекции ©, для твоей нужно добавить слои инъекции ©.

Обучение сети тоже 2-х стадийное: сначала «без учителя», затем «с учителем» для множественных значений.

мне нужно получить символ и порядок (место) в котором оно стоит.

Ну, если для символов достаточно ohe и включается знакомый мат.аппарат, то с позицией будут проблемы. End to end не заработает.