AlphaGo算法框架解读

AlphaGo算法框架解读



Author: L. Chen, UoS

1. Introduction:

如图1，在围棋中，每一步棋，从State K到State K+1都有很多种走法（move）。



在信息完整的情况下，在棋局的每一步，计算机可以使用穷举法，自己与自己下棋（self-play），尝试每一个选择，模拟所有可能的完整战局，观察结果，然后选出最佳走法。显然，就围棋而言，穷举法的计算量极其庞大，目前的计算机会很吃力。

对于信息完整的棋局，都会存在某个测量函数（value function）, 可以根据每一个state下的每一个move算出整个战局的结果，并以V(value)表示。也就是，把state和move输入给测量函数，就能得到一个V值输出。那么穷举法就是在每个State，算出每个move的V值，然后对比选出最佳的move。

2. AlphaGo的基本思路：

从以下两个方面减少穷举法的穷举空间，减少计算量，以更快地选出最佳走法。

（1） 在每一步(state)，依据一个决策P（policy），只筛选出部分move来计算。

（2） 对于每一个move，用一个测量函数（value function）来近似地算出相应的V值，而非穷举整个战局。

在AlphaGo的算法中，决策P和测量函数（value function）分别被两个深度卷积神经网络（deep convolutional neural network）替代，这是AlphaGo贡献的核心内容。

3. 神经网络的训练：

3.1 决策P（policy network）:

Step 1: 拆解大量专业棋手的棋局过程，把每一个state及相应的每一个move，都存为数据。整个棋盘可以视为分辨率为19×19的图像，则每个state都是一幅图像，move可以编码为图像上的相应位置或者某个数值。

Step 2: 把不同的state作为data，把相应的专业棋手选择的move作为label，输入神经网络，对网络进行训练。

Step 3: 当policy network训练成功后，称为SL Policy（supervised learning policy），每次输入一个state, 就会输出一个概率分布。这个概率分布表示，在所有符合规则的move当中，每个move是专业棋手走法的概率。概率越大，表示某个move越可能是专业棋手的走法。

Step 4: 计算机使用SL policy模拟完整的战局，也就是，从开始到结束，对峙双方使用同一个policy来下棋（self-play）。

Step 5: 模拟大量的战局，并重复Step 1, Step2 和Step 3，得到强化训练后的神经网络，称为RL Policy(Reinforcement Learning policy)。

3.2 测量函数V（value network）:

Step 1: 计算机使用RL Policy自己与自己下棋（sel
4000
f-play）， 模拟大量的战局，记录相每个state、相应的move，以及战局结果，战局结果被编码成一个数值。

Step 2: 用这些数据去训练value network。当network训练成功后，输入一个state，它会输出一个对战局结果的预测值。例如，在state_0时，选择了move 1, 则棋局变为state_1，把state_1输入网络，就可以预测到如果选择move 1的战局结果。

4. AlphaGo下棋过程：

假设棋局来到了某个state_N，轮到AlphaGo下，它会做以下操作：

Step 1：使用训练到的policy network和value network自行大量模拟后面的战局（Monte Carlo Simulation）。在模拟时，执行使action value Q最大的move，action value由policy和V值的某种组合计算出来。记录state_N下每个move被执行的次数。

Step 2: 选择在模拟中被执行次数最多的move，下棋。

Reference:

[1] Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., van den Driessche, G., … Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search.Nature,
529(7587), 484–489. http://doi.org/10.1038/nature16961