Alpha Go详细梳理

来源：【知乎-机器学习前言-13-Alpha Go】

最近又回顾了一下之前经典的AlphaGo，有一种温故知新的感觉，在这里再记录下最新的想法。

原文传送门

Silver et al_2016_Mastering the game of Go with deep neural networks and tree search_Nature

背景

在AlphaGo出现前，传统的电脑围棋策略是通过一种称为Monte Carlo Tree Search（MCTS）的方法实现，其主要思想是通过计算推算不同落子方式的胜负情况，类似于人类思想的“往后想几步”，然后选择获胜概率最大的落子方式来执行。

但这种方法存在一个挑战就是，假如把所有的落子可能都进行计算，那么最多会有宽度为250，深度为150的树，以当前的算力，很难在1个小时内走出一步。因此，如何降低搜索树的size成为一个棘手的问题。

在深度学习和强化学习出现后，学者们把目光转向了使用机器学习方法，让机器自己学习各种情况可能带来的收益和风险，来最大程度降低搜索树的搜索深度和宽度。

方法

总的来说，这篇工作一共使用了3种技术：监督学习，强化学习和MCTS。

首先监督学习（SL）训练了一个落子网络pσp_\sigmapσ和一个快速走子网络pπp_\pipπ，其中落子网络模型较大，需要耗费3ms3ms3ms来做出决策，而快速走子网络则仅需要2μs2\mu s2μs来做出决策，但是落子网络更像人类的下棋方法，具有57.0%的预测正确率，而快速走子网络则稍逊，仅有24.2%的正确率。
其次强化学习（RL）对训练好的落子网络pσp_\sigmapσ进行提升，主要通过自博弈来提升网络的落子策略，其次再训练了一个价值网络vθ(s)v_\theta(s)vθ(s)，用于MCTS的剪枝操作。
最后使用MCTS执行最终的动作选择。

1 监督学习过程

落子网络pσp_\sigmapσ：使用人类棋类博弈时的数据，使用监督学习方法训练一个策略网络来预测人类落子的策略，通过不断缩小与人类真实策略之间的误差，使得当前网络的落子方式更像人类，从而学得基本的走棋策略。其参数更新可表示为：Δσ∝∂log⁡pσ(a∣s)∂σ\Delta \sigma\propto\frac{\partial\log p_\sigma(a|s)}{\partial \sigma}Δσ∝∂σ∂logpσ(a∣s)。
快速走子网络pπp_\pipπ：和落子网络训练方式一致，但网络模型更小，选择动作更快。

2 强化学习过程

强化学习方法是一种通过不断试错来优化自身策略的方法，这里使用RL提升落子网络的性能：

策略网络：通过复制训练好的落子网络得到初始网络pρp_\rhopρ，权重为ρ=σ\rho=\sigmaρ=σ。
对手：每个模型通过与自身历史版本中随机的一个模型来搏弈，来决定当前策略的好坏，从而进行不断提升，选择随机版本主要是防止过拟合于单一的博弈对象。
reward：只在最终决定胜负后才会获得+1或者-1的奖励，其余步的奖励均为0。
训练：采用随机梯度上升的方法，来增大最后的期望回报：Δρ∝∂log⁡pρ(at∣st)∂ρ\Delta \rho\propto\frac{\partial\log p_\rho(a_t|s_t)}{\partial \rho}Δρ∝∂ρ∂logpρ(at∣st)。

在提升策略网络性能的同时，RL另外训练了一个价值网络vp(s)v^p(s)vp(s)来估计棋盘的胜率：

价值网络：与策略网络类似，但输出由动作概率变为一个标量值，用来表示状态sss的胜率。
优化目标：通过减小自身预测胜率vθ(s)v_\theta(s)vθ(s)与真实胜率zzz间的均方误差，来预测不同状态的真实胜率Δθ∝∂vθ(s)∂θ(z−vθ(s))\Delta \theta\propto\frac{\partial v_\theta(s)}{\partial \theta}(z-v_\theta(s))Δθ∝∂θ∂vθ(s)(z−vθ(s))。

3 MCTS

MCTS是一种搜索树，通过访问不同动作导致的状态来推测各个动作的价值，然后选择价值最高的动作执行。MCTS的流程如下图所示：

选择：每个节点保存两个值：Q(s,a)表示动作a在状态s下的价值；u(s,a)u(s,a)u(s,a)表示探索价值，与先验P值正相关，和探索次数负相关，该值越高说明这个动作越值得探索，尽管可能Q值不是很高，类似于人类的大胆尝试。在每一轮选择时，MCTS选择这两个值和最高的动作执行。
扩张：每选择一个动作后，都需要落子网络pσp_\sigmapσ计算该状态下的动作概率，生成新的P值。
评价：在仿真结束时，对展开的叶子节点的价值进行计算，通过两种方式同时进行：价值网络vp(s)v^p(s)vp(s)的估计，以及快速走子网络快速模拟至游戏结束计算的价值。
回溯：利用展开的叶子结点的价值，更新根节点的动作价值。

本以为是选择Q值最高的动作来执行，但论文中写“最终模型选择访问次数最多的动作来执行”，这里还不是很懂为什么？先记录一下，希望能得到解答。

结论

本文只是对AlphaGo的知识点梳理了一下，具体的实施细节还是要查看论文，例如落子网络的输入，网络的结构，卷积核个数的影响等等。当前游戏AI的不少问题，仍然需要借鉴这篇著作的部分思想，包括搜索树的剪枝，自我博弈等等。

的确，生搬硬套强化学习方法来暴力解决游戏中遇到的问题并不实际，游戏和算法的发展仍然需要人类来不断推动。对游戏AI有兴趣的同学，可以在下方评论区进行讨论，也可以私信我，一起为强化学习/机器学习社区增添热闹。
的发展仍然需要人类来不断推动。对游戏AI有兴趣的同学，可以在下方评论区进行讨论，也可以私信我，一起为强化学习/机器学习社区增添热闹。

【论文详解】—AlphaGo中用到的3个关键技术相关推荐

详解两类AI芯片架构和关键技术
戳蓝字"CSDN云计算"关注我们哦! 作者 | 架构师技术联盟责编 | 阿秃人工智能芯片目前有两种发展路径:一种是延续传统计算架构,加速硬件计算能力,主要以 3 种类型的芯片为 ...
详解网络数字电视的实现方法与关键技术
1.IPTV的实现方法宽带网络数字电视,又称IPTV或BTV,即交互式网络电视,是一种利用宽带互联网.多媒体等多种技术于一体,向家庭用户提供包括数字电视在内的多种交互式服务的崭新技术.它能够很好地适 ...
GeniePath：Graph Neural Networks with Adaptive Receptive Paths 论文详解 AAAI2019
文章目录 1 相关介绍 1.1 感受野的定义贡献 2 图卷积网络GCN GCN.GraphSAGE.GAT Discussions 3 GeniePath 3.1 Permutation Invar ...
Spark RDD 论文详解（二）RDDs
前言本文隶属于专栏<1000个问题搞定大数据技术体系>,该专栏为笔者原创,引用请注明来源,不足和错误之处请在评论区帮忙指出,谢谢! 本专栏目录结构和参考文献请见1000个问题搞定大数据技 ...
RepVGG论文详解
RepVGG 论文详解 RepVGG 是截止到 2021.2.9 日为止最新的一个轻量级网络架构.在我的测试中,其在安霸 CV22 上的加速效果不如 ShuffleNet v2.根据作者的描述,Rep ...
智能城市dqn算法交通信号灯调度_博客 | 滴滴 KDD 2018 论文详解：基于强化学习技术的智能派单模型...
原标题:博客 | 滴滴 KDD 2018 论文详解:基于强化学习技术的智能派单模型国际数据挖掘领域的顶级会议 KDD 2018 在伦敦举行,今年 KDD 吸引了全球范围内共 1480 篇论文投递,共 ...
Fast R-CNN论文详解
Fast R-CNN论文详解作者:ture_dream &创新点规避R-CNN中冗余的特征提取操作,只对整张图像全区域进行一次特征提取: 用RoI pooling层取代最后一层max po ...
限时9.9元 | 快速领取数学建模竞赛备战必备技巧与论文详解！
全世界只有3.14 % 的人关注了青少年数学之旅大家晚上好,随着美赛时间的公布以及大大小小的数学建模竞赛的进行,小天经常可以收到来自很多小伙伴们提出的问题,"竞赛中如何去考虑选题?&qu ...
transfromer-XL论文详解
transfromer-XL论文详解 – 潘登同学的NLP笔记文章目录 transfromer-XL论文详解 -- 潘登同学的NLP笔记 Vanilla Transformer Segment-Le ...

【论文详解】—AlphaGo中用到的3个关键技术