TadaoYamaoka https://blog.hatena.ne.jp/TadaoYamaoka/ TadaoYamaokaの開発日記 https://tadaoyamaoka.hatenablog.com/ 麻雀AI 前回は、牌譜の記録/再生処理を実装した。 今回は、自己対局で牌譜を生成する処理を実装する。 処理方式 強化学習のアルゴリズムにPPOを使用予定で、PPOはオンポリシーのアルゴリズムのため、 現在のモデルで牌譜生成 現在のモデルで生成した牌譜でモデルを学習 モデルのバージョン更新 というサイクルをシーケンシャルに繰り返す。 プログラム構成 プログラムは、牌譜を生成するActorと、モデルを学習するLearnerで構成する。 Actorは、処理速度を考慮して、C++で実装する。 Learnerは、PyTorchで学習を行うのでPythonで実装する。Actorは複数プロセスで分散して実行できるよう… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Ftadaoyamaoka.hatenablog.com%2Fentry%2F2023%2F11%2F13%2F230333" title="麻雀AIを深層強化学習で作る その９(自己対局) - TadaoYamaokaの開発日記" 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 2023-11-13 23:03:33 rich https://tadaoyamaoka.hatenablog.com/entry/2023/11/13/230333 1.0 100%