Softmax実現確率探索 まだデバッグ中

　先手と後手で探索ルーチンを分け、後手のパラメータは初期値（極めて小さい乱数）に固定・先手のパラメータのみ学習って条件で連続対戦中。

　んで、先手の勝率は70%を越える位まで一旦上昇し、その後下降します。

　つー訳で、バグの可能性が高いんで何とかします。