知识卡片
自博弈用搜索改进网络
先让网络引导树搜索,再从访问统计读出比单次前向更充分利用模拟信息的分布。对弈结束后保存局面、搜索分布和执棋方终局结果。网络拟合这些标签后再次引导搜局。这个循环不能只靠胜负更新一个动作概率。
关联:[[树搜索复用中间节点统计]]。自博弈把搜索改进的访问分布作为下一轮网络训练目标。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第10章 Alpha Zero算法实战 · 查看原书依据
网络训练得到的新参数会被用来指导下一轮迭代中自我对弈时的MCTS搜索
参考来源
- 位置:《强化学习入门:从原理到实践》第10章《第10章 Alpha Zero算法实战》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter88.xhtml`,body 子元素 11
- 结论依据:原文区分搜索产生的策略标签及终局胜负标签。
- 原始内容:网络训练得到的新参数会被用来指导下一轮迭代中自我对弈时的MCTS搜索