方策勾配法のデバッグ中

　幾つか細かいバグは潰しましたが、それでもまだちゃんと動いてなさそうな感じです。三目並べで片方のプレイヤーだけ学習させても、勝率が100％になりませんし。

　一番気になってるのはソフトマックス方策の温度設定なんですが、これがまずいのかなぁ…