ir5 https://blog.hatena.ne.jp/ir5/ うどん記 https://ir5.hatenablog.com/ 流し読みだとちゃんと分からなかったのでメモ。 準備(AlphaGo) policy network : 盤面とその特徴量を入力として受け取り、各マスに打つ確率を返すニューラルネット。 value network: 盤面とその特徴量を入力として受け取り、その盤面での勝率を返すニューラルネット。 AlphaGo ではまず policy network をプロの棋譜データから教師あり学習で事前学習させ、その後自己対戦による強化学習によってさらに改善させていく。 AlphaGo の強化学習パート 教師あり学習後の policy network のパラメータ $\rho_0$ から学習をスタートする。自… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Fir5.hatenablog.com%2Fentry%2F20171029%2F1509273817" title="AlphaGo と AlphaGo Zero の自己対戦による学習部分の違い - うどん記" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> Hatena Blog https://hatena.blog 2017-10-29 19:43:37 rich https://ir5.hatenablog.com/entry/20171029/1509273817 1.0 100%