原书出处
强化学习
13 博弈强化学习 13.5.5 蒙特卡罗树搜索
值得注意的是,在整个搜索模拟过程中,SL策略用于先验概率的计算;快速走子策略网络用于评估时的快速走子;价值网络用于评估中对棋势的预估。那么问题来了,为什么不使用棋力更强的RL策略网络代替SL策略网络呢?这是因为RL策略网络输出的策略比较单一,而人类专家走法训练出来的SL策略网络在策略上的多样性更强,因此更适用于MCTS中的搜索。但是,用RL策略网络的自我对弈结果可以大大提高价值网络的泛化能力,因此将其在此处进行使用,这就是RL策略网络的用途。
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/强化学习/_epub-src/OEBPS/Text/1-022.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae