kiikurage / aai Goto Github PK

• パラメータ

  name	type	description
  board	Board	探索開始時の盤面状態
  depth	int	読む深さ
  limit	int	探索打ち切り時刻

• 返り値

  探索結果の木のtuple

  Node: (b: Board, c: Color, (x: int, y: int, next: Node)[])

  の形。伝われ。

二人で終局までplayして、最後に方策勾配法で学習

train時、回転、反転、の８通りのdata augmentation

supervised learningの精度向上 (適当にarchitecture変えたりlearning rateいじったり)

• 棋譜データ読み込む

• ランダムに1ターン選ぶ

• そのターン開始時の盤面を再現

• その盤面を元に、以下の特徴量(6x8x8)を作成する

  order	name	description
  0	黒の石の有無	0:ない、1:ある
  1	白の石の有無	0:ない、1:ある
  2	おけるかどうか	0:おけない、1:おける
  3	ターン数	64で割って[0, 1)で正規化
  4	自分の色
  5	返せる個数	最大値で割って[0, 1]で正規化

棋譜を沢山クローリングできるようにしておく

#8

• V(盤面s) -> 最終的な石の差の確率分布P(s)
• Q(盤面s, 手a) == V(s') ->最終的な石の差の確率分布P(s)

を求める関数（モンテカルロ？）

• 自分はランダム
• 極論、sにおけるすべての手を試して一番引き分けに近いところ行きたい。

棋譜を学習しある程度それっぽいpolicy networkを作る