Achieving superhuman playing level by AlphaGo corroborated the capabilities
of convolutional neural architectures (cnns) for capturing complex spatial
patterns. This result was to a great extent due to several an
本文介绍了使用卷积神经网络进行围棋下棋预测的方法,采用一些新的技术,包括用于捆绑网络中的权重的方法,以硬编码预期存在于目标函数中的对称性,并证明它们在消融研究中可以显著提高性能。最终网络能够在两个不同的围棋数据集上达到 41.1%和 44.4%的移动预测精度,同时还能够击败著名的围棋程序 GNU Go,表明它是不使用蒙特卡罗树搜索的最先进程序之一。
神经网络在野外是否能够学习实现诸如预测或搜索等算法?还是纯粹依赖简单启发式规则的集合?我们通过 Leela Chess Zero 中感知网络的学到的预测来证明神经网络的学到的预测能力,并发现这些表示对其在特定局面下的最终输出至关重要。这些发现证明了神经网络学到的预测存在,并可能对我们对其能力的理解产生影响。