KataGo v1.16.1版本发布：数值稳定性优化与功能改进

KataGo是一个开源的围棋AI项目，它采用深度学习和蒙特卡洛树搜索（MCTS）算法来实现强大的围棋对弈能力。该项目不仅提供了高性能的围棋引擎，还包含了完整的训练框架，支持从零开始训练围棋AI模型。

数值稳定性优化

在v1.16.1版本中，开发团队重点解决了神经网络输出中出现非有限值（NaN或无限大）导致的崩溃问题。这个问题在以下两种情况下尤为明显：

1. 使用TensorRT在19x19棋盘上处理极端贴目或结果时
2. 在大棋盘尺寸上运行时，特别是使用未针对大棋盘训练的神经网络时

技术团队通过以下方式缓解了这一问题：

• 内部调整了神经网络的权重缩放方式，降低了激活值的典型幅度
• 在FP16模式下运行时，更好地利用了FP16的数值范围
• TensorRT现在将输出头转换为FP32的时间提前了一层

这些改进使得神经网络在极端情况下更加稳定，减少了崩溃的可能性。

其他引擎改进

基准测试修复

修复了benchmark命令中"-fixed-batch-size"和"-half-batch-size"参数在设置批次大小限制时的bug，使基准测试结果更加准确。

规则处理增强

现在KataGo能够更好地处理SGF文件或GTP命令中的简单劫争违规，就像处理超级劫规则违规一样。这一改进使得KataGo能够更灵活地处理各种输入格式。

编译标准升级

项目现在使用C++17标准进行编译，取代了之前的C++14标准。这一升级为未来的功能开发提供了更好的语言支持。

大棋盘支持改进

针对+bs50版本的可执行文件，修复了一些与棋盘尺寸相关的配置参数无法接受50x50最大值的问题。

TensorRT兼容性

更新了CMake逻辑以处理TensorRT新版本中头文件定义格式的变化，提高了与不同TensorRT版本的兼容性。

Python训练相关改进

代码结构重组

对Python目录进行了显著重组，将所有不直接运行的.py文件移动到python/katago/...包中。这一变化使得代码结构更加清晰，同时更新了所有脚本和自训练脚本的导入路径。

Windows兼容性增强

一些数据洗牌和训练脚本不再依赖符号链接数据位置，这使得这些脚本能够在Windows系统上更好地运行。

版本选择建议

对于终端用户，开发团队提供了几点建议：

1. CUDA和TensorRT版本应匹配预编译的可执行文件标签
2. OpenCL版本兼容性更好，但性能可能略低
3. +bs50版本专为超大棋盘设计，在标准19x19棋盘上运行时可能效率较低

Linux用户需要注意，预编译的可执行文件基于Ubuntu 22.04系统构建，仍需自行安装相应的CUDA/TensorRT或OpenCL驱动。

这个版本主要解决了稳定性问题，特别是针对大棋盘和极端情况下的数值处理，同时改进了代码结构和跨平台兼容性，为围棋AI的研究和应用提供了更可靠的工具。