自學(xué)圍棋的AlphaGo Zero 你也可以造一個(gè)
想我所想
遙想當(dāng)年，AlphaGo的Master版本，在完勝柯潔九段之后不久，就被后輩AlphaGo Zero(簡(jiǎn)稱狗零) 擊潰了。
從一只完全不懂圍棋的AI，到打敗Master，狗零只用了21天。
而且，它不需要用人類知識(shí)來(lái)喂養(yǎng)，成為頂尖棋手全靠自學(xué)。
如果能培育這樣一只AI，即便自己不會(huì)下棋，也可以很驕傲吧。
于是，來(lái)自巴黎的少年Dylan Djian (簡(jiǎn)稱小笛) ，就照著狗零的論文去實(shí)現(xiàn)了一下。
他給自己的AI棋手起名SuperGo，也提供了代碼(傳送門見(jiàn)文底) 。
除此之外，還有教程——
一個(gè)身子兩個(gè)頭
智能體分成三個(gè)部分：
一是特征提取器(Feature Extractor) ，二是策略網(wǎng)絡(luò)(Policy Network) ，三是價(jià)值網(wǎng)絡(luò)(Value Network) 。
于是，狗零也被親切地稱為“雙頭怪”。特征提取器是身子，其他兩個(gè)網(wǎng)絡(luò)是腦子。
特征提取器
特征提取模型，是個(gè)殘差網(wǎng)絡(luò) (ResNet) ，就是給普通CNN加上了跳層連接 (Skip Connection) ， 讓梯度的傳播更加通暢。
跳躍的樣子，寫(xiě)成代碼就是：
1classBasicBlock(nn.Module):
2 """
3 Basic residual block with 2 convolutions and a skip connection
4 before the last ReLU activation.
5 """
6
7def__init__(self, inplanes, planes, stride=1, downsample=None):
8 super(BasicBlock, self).__init__()
9
10 self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=3,
11 stride=stride, padding=1, bias=False)
12 self.bn1 = nn.BatchNorm2d(planes)
13
14 self.conv2 = nn.Conv2d(planes, planes, kernel_size=3,
15 stride=stride, padding=1, bias=False)
16 self.bn2 = nn.BatchNorm2d(planes)
17
18
19defforward(self, x):
20 residual = x
21
22 out = self.conv1(x)
23 out = F.relu(self.bn1(out))
24
25 out = self.conv2(out)
26 out = self.bn2(out)
27
28 out += residual
29 out = F.relu(out)
30
31returnout
然后，把它加到特征提取模型里面去：
1classExtractor(nn.Module):
2def__init__(self, inplanes, outplanes):
3 super(Extractor, self).__init__()
4 self.conv1 = nn.Conv2d(inplanes, outplanes, stride=1,
5 kernel_size=3, padding=1, bias=False)
6 self.bn1 = nn.BatchNorm2d(outplanes)
7
8forblockinrange(BLOCKS):
9 setattr(self, "res{}".format(block),
10 BasicBlock(outplanes, outplanes))
11
12
13defforward(self, x):
14 x = F.relu(self.bn1(self.conv1(x)))
15forblockinrange(BLOCKS - 1):
16 x = getattr(self, "res{}".format(block))(x)
17
18 feature_maps = getattr(self, "res{}".format(BLOCKS - 1))(x)
19returnfeature_maps
策略網(wǎng)絡(luò)
策略網(wǎng)絡(luò)就是普通的CNN了，里面有個(gè)批量標(biāo)準(zhǔn)化(Batch Normalization) ，還有一個(gè)全連接層，輸出概率分布。
1classPolicyNet(nn.Module):
2def__init__(self, inplanes, outplanes):
3 super(PolicyNet, self).__init__()
4 self.outplanes = outplanes
5 self.conv = nn.Conv2d(inplanes, 1, kernel_size=1)
6 self.bn = nn.BatchNorm2d(1)
7 self.logsoftmax = nn.LogSoftmax(dim=1)
8 self.fc = nn.Linear(outplanes - 1, outplanes)
9
10
11defforward(self, x):
12 x = F.relu(self.bn(self.conv(x)))
13 x = x.view(-1, self.outplanes - 1)
14 x = self.fc(x)
15 probas = self.logsoftmax(x).exp()
16
17returnprobas
價(jià)值網(wǎng)絡(luò)
這個(gè)網(wǎng)絡(luò)稍微復(fù)雜一點(diǎn)。除了標(biāo)配之外，還要再多加一個(gè)全連接層。最后，用雙曲正切 (Hyperbolic Tangent) 算出 (-1,1) 之間的數(shù)值，來(lái)表示當(dāng)前狀態(tài)下的贏面多大。
代碼長(zhǎng)這樣——
1classValueNet(nn.Module):
2def__init__(self, inplanes, outplanes):
3 super(ValueNet, self).__init__()
4 self.outplanes = outplanes
5 self.conv = nn.Conv2d(inplanes, 1, kernel_size=1)
6 self.bn = nn.BatchNorm2d(1)
7 self.fc1 = nn.Linear(outplanes - 1, 256)
8 self.fc2 = nn.Linear(256, 1)
9
10
11defforward(self, x):
12 x = F.relu(self.bn(self.conv(x)))
13 x = x.view(-1, self.outplanes - 1)
14 x = F.relu(self.fc1(x))
15 winning = F.tanh(self.fc2(x))
16returnwinning
未雨綢繆的樹(shù)
狗零，還有一個(gè)很重要的組成部分，就是蒙特卡洛樹(shù)搜索(MCTS) 。
它可以讓AI棋手提前找出，勝率最高的落子點(diǎn)。
在模擬器里，模擬對(duì)方的下一手，以及再下一手，給出應(yīng)對(duì)之策，所以提前的遠(yuǎn)不止是一步。
節(jié)點(diǎn) (Node)
樹(shù)上的每一個(gè)節(jié)點(diǎn)，都代表一種不同的局勢(shì)，有不同的統(tǒng)計(jì)數(shù)據(jù)：
每個(gè)節(jié)點(diǎn)被經(jīng)過(guò)的次數(shù)n，總動(dòng)作值w，經(jīng)過(guò)這一點(diǎn)的先驗(yàn)概率p，平均動(dòng)作值q (q=w/n) ，還有從別處來(lái)到這個(gè)節(jié)點(diǎn)走的那一步，以及從這個(gè)節(jié)點(diǎn)出發(fā)、所有可能的下一步。
1classNode:
2def__init__(self, parent=None, proba=None, move=None):
3 self.p = proba
4 self.n = 0
5 self.w = 0
6 self.q = 0
7 self.children = []
8 self.parent = parent
9 self.move = move
部署 (Rollout)
第一步是PUCT (多項(xiàng)式上置信樹(shù)) 算法，選擇能讓PUCT函數(shù) (下圖) 的某個(gè)變體 (Variant)最大化，的走法。
寫(xiě)成代碼的話——
1defselect(nodes, c_puct=C_PUCT):
2 " Optimized version of the selection based of the PUCT formula "
3
4 total_count = 0
5foriinrange(nodes.shape[0]):
6 total_count += nodes[i][1]
7
8 action_scores = np.zeros(nodes.shape[0])
9foriinrange(nodes.shape[0]):
10 action_scores[i] = nodes[i][0] + c_puct * nodes[i][2] *
11 (np.sqrt(total_count) / (1 + nodes[i][1]))
12
13 equals = np.where(action_scores == np.max(action_scores))[0]
14ifequals.shape[0] > 0:
15returnnp.random.choice(equals)
16returnequals[0]
結(jié)束 (Ending)
選擇在不停地進(jìn)行，直至到達(dá)一個(gè)葉節(jié)點(diǎn) (Leaf Node) ，而這個(gè)節(jié)點(diǎn)還沒(méi)有往下生枝。
1defis_leaf(self):
2 """ Check whether a node is a leaf or not """
3
4returnlen(self.children) == 0
到了葉節(jié)點(diǎn)，那里的一個(gè)隨機(jī)狀態(tài)就會(huì)被評(píng)估，得出所有“下一步”的概率。
所有被禁的落子點(diǎn)，概率會(huì)變成零，然后重新把總概率歸為1。
然后，這個(gè)葉節(jié)點(diǎn)就會(huì)生出枝節(jié) (都是可以落子的位置，概率不為零的那些) 。代碼如下——
1defexpand(self, probas):
2 self.children = [Node(parent=self, move=idx, proba=probas[idx])
3foridxinrange(probas.shape[0])ifprobas[idx] > 0]
更新一下
枝節(jié)生好之后，這個(gè)葉節(jié)點(diǎn)和它的媽媽們，身上的統(tǒng)計(jì)數(shù)據(jù)都會(huì)更新，用的是下面這兩串代碼。
1defupdate(self, v):
2 """ Update the node statistics after a rollout """
3
4 self.w = self.w + v
5 self.q = self.w / self.nifself.n > 0else0
1whilecurrent_node.parent:
2 current_node.update(v)
3 current_node = current_node.parent
選擇落子點(diǎn)
模擬器搭好了，每個(gè)可能的“下一步”，都有了自己的統(tǒng)計(jì)數(shù)據(jù)。
按照這些數(shù)據(jù)，算法會(huì)選擇其中一步，真要落子的地方。
選擇有兩種，一就是選擇被模擬的次數(shù)最多的點(diǎn)。試用于測(cè)試和實(shí)戰(zhàn)。
另外一種，隨機(jī) (Stochastically) 選擇，把節(jié)點(diǎn)被經(jīng)過(guò)的次數(shù)轉(zhuǎn)換成概率分布，用的是以下代碼——
1 total = np.sum(action_scores)
2 probas = action_scores / total
3 move = np.random.choice(action_scores.shape[0], p=probas)
后者適用于訓(xùn)練，讓AlphaGo探索更多可能的選擇。
三位一體的修煉
狗零的修煉分為三個(gè)過(guò)程，是異步的。
一是自對(duì)弈(Self-Play) ，用來(lái)生成數(shù)據(jù)。
1defself_play():
2whileTrue:
3 new_player, checkpoint = load_player()
4ifnew_player:
5 player = new_player
6
7 ## Create the self-play match queue of processes
8 results = create_matches(player, cores=PARALLEL_SELF_PLAY,
9 match_number=SELF_PLAY_MATCH)
10for_inrange(SELF_PLAY_MATCH):
11 result = results.get()
12 db.insert({
13 "game": result,
14 "id": game_id
15 })
16 game_id += 1
二是訓(xùn)練(Training) ，拿新鮮生成的數(shù)據(jù)，來(lái)改進(jìn)當(dāng)前的神經(jīng)網(wǎng)絡(luò)。
1deftrain():
2 criterion = AlphaLoss()
3 dataset = SelfPlayDataset()
4 player, checkpoint = load_player(current_time, loaded_version)
5 optimizer = create_optimizer(player, lr,
6 param=checkpoint['optimizer'])
7 best_player = deepcopy(player)
8 dataloader = DataLoader(dataset, collate_fn=collate_fn,
9 batch_size=BATCH_SIZE, shuffle=True)
10
11whileTrue:
12forbatch_idx, (state, move, winner)inenumerate(dataloader):
13
14 ## Evaluate a copy of the current network
15iftotal_ite % TRAIN_STEPS == 0:
16 pending_player = deepcopy(player)
17 result = evaluate(pending_player, best_player)
18
19ifresult:
20 best_player = pending_player
21
22 example = {
23 'state': state,
24 'winner': winner,
25 'move' : move
26 }
27 optimizer.zero_grad()
28 winner, probas = pending_player.predict(example['state'])
29
30 loss = criterion(winner, example['winner'],
31 probas, example['move'])
32 loss.backward()
33 optimizer.step()
34
35 ## Fetch new games
36iftotal_ite % REFRESH_TICK == 0:
37 last_id = fetch_new_games(collection, dataset, last_id)
訓(xùn)練用的損失函數(shù)表示如下：
1classAlphaLoss(torch.nn.Module):
2def__init__(self):
3 super(AlphaLoss, self).__init__()
4
5defforward(self, pred_winner, winner, pred_probas, probas):
6 value_error = (winner - pred_winner) ** 2
7 policy_error = torch.sum((-probas *
8 (1e-6 + pred_probas).log()), 1)
9 total_error = (value_error.view(-1) + policy_error).mean()
10returntotal_error
三是評(píng)估(Evaluation) ，看訓(xùn)練過(guò)的智能體，比起正在生成數(shù)據(jù)的智能體，是不是更優(yōu)秀了 (最優(yōu)秀者回到第一步，繼續(xù)生成數(shù)據(jù)) 。
1defevaluate(player, new_player):
2 results = play(player, opponent=new_player)
3 black_wins = 0
4 white_wins = 0
5
6forresultinresults:
7ifresult[0] == 1:
8 white_wins += 1
9elifresult[0] == 0:
10 black_wins += 1
11
12 ## Check if the trained player (black) is better than
13 ## the current best player depending on the threshold
14ifblack_wins >= EVAL_THRESH * len(results):
15returnTrue
16returnFalse
第三部分很重要，要不斷選出最優(yōu)的網(wǎng)絡(luò)，來(lái)不斷生成高質(zhì)量的數(shù)據(jù)，才能提升AI的棋藝。
三個(gè)環(huán)節(jié)周而復(fù)始，才能養(yǎng)成強(qiáng)大的棋手。
有志于AI圍棋的各位，也可以試一試這個(gè)PyTorch實(shí)現(xiàn)。
本來(lái)摘自量子位，原作 Dylan Djian。
代碼實(shí)現(xiàn)傳送門：
網(wǎng)頁(yè)鏈接
教程原文傳送門：
網(wǎng)頁(yè)鏈接
AlphaGo Zero論文傳送門：
網(wǎng)頁(yè)鏈接
