昨日のおかしかったのは

私の頭でしたorz 誰かデバッグして下さい。いやマジで。

んで、ソフトマックス手法でうまく学習してくれなかったのは、Boltzmann分布にしたがって手を選択する所で、選択したつもりの手と実際の手が1つずれていたのが原因でした。

さて、もうちょっとデバッグしてみます。