Alpha Go详细梳理
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。
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
和一个快速走子网络
，其中落子网络模型较大，需要耗费
来做出决策，而快速走子网络则仅需要
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
，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
。
- 快速走子网络
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
，权重为
。
- 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：
。
在提升策略网络性能的同时，RL另外训练了一个价值网络来估计棋盘的胜率：
- 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
的胜率。
- 优化目标：通过减小自身预测胜率
间的均方误差，来预测不同状态的真实胜率
。
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；
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
- 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
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。
