看板
[ GO ]
討論串[心得] 圍棋AI AlphaGo 之我見
共 6 篇文章
內容預覽:
零、前言. 先描述一下我的棋力。我在 kgs 的帳號是只跟圍棋AI 下的，去年下到 1k，也會掉下2k，但由於時間問題，我半年沒下過，最近開出來在不熟的情況下掉到3k，我相信如果下個幾十盤可以重回2k 甚至1k。. 而我在 oro 圍棋是跟人下的，我開了一個25k 的帳號殺到上4k，再開了一個4k的
(還有5329個字)
內容預覽:
想透過這篇文章順著介紹一下這次讓圍棋AI效能躍升的關鍵：機器學習(machine. learning)技術。當然現在大家對alphago的演算法背景都大致了解了，簡單說是類神經網路(neural network)與蒙的卡羅樹狀搜尋(monte carlo tree search)的組合。不過如同一些
(還有3978個字)
內容預覽:
感謝f大的發文，我也是長知識了. 我得再次承認我對NN的理解太膚淺，這是我做得不好的. 一方面是因為我是做RFIC的，我沒那個能力時間把 NN 和 MCTS 的結合寫得精確. (我就只是在一月ASP-DAC做了 turorial 的 chair 聽了一整天NN，和看了那份 Nature. 寫這篇也參
(還有1220個字)
內容預覽:
1. 據說 AlphaGo用到的Neuro Network深達13層. 有任何穩定性的報告或是說明嗎？. 2. 圍棋的勝敗至少包括兩種，一種是壓著打或是完勝，另一種是反敗為勝. AlphaGo的設計應該是循著第一條路線. 問題是餵它的千萬盤訓練用人類棋譜卻包含非常多第二類棋譜. 反敗為勝的棋譜應該非
(還有137個字)
內容預覽:
論文裡有提到它預測的誤差. 所謂千萬盤是自我對奕, 不是人類實戰譜, 人類高手實戰譜還沒那麼多.. 看它跟小李下的棋路, 是第一種路線多? 還是第二種多?. 中間攻防輸掉是 AlphaGo 形勢判斷錯誤, 劣勢盤面還以為優勢繼續走損手.. 後來左下角的挖被吞吃, 還有點影響到左邊黑棋的死活.. 理論
(還有84個字)