原版論文是《Mastering the game of Go with deep neural networks and tree search》，有時間的還是建議讀一讀，沒時間的可以看看我這篇筆記湊活一下。網上有一些分析AlphaGo的文章，但最經典的肯定還是原文，還是踏踏實實搞懂AlphaGo的基本原理我們再來吹牛逼吧。

需要的一些背景

對圍棋不瞭解的，其實也不怎麼影響，因為只有feature engineering用了點圍棋的知識。這裡有一篇《九張圖告訴你圍棋到底怎麼下》可以簡單看看。

對深度學習不怎麼了解的，可以簡單當作一個黑盒演算法。但機器學習的基礎知識還是必備的。沒機器學習基礎的估計看不太懂。

“深度學習是機器學習的一種，它是一臺精密的流水線，整頭豬從這邊趕進去，香腸從那邊出來就可以了。”

蒙特卡羅方法

蒙特卡羅演算法：取樣越多，越近似最優解；
拉斯維加斯演算法：取樣越多，越有機會找到最優解；
舉個例子，假如筐裡有100個蘋果，讓我每次閉眼拿1個，挑出最大的。於是我隨機拿1個，再隨機拿1個跟它比，留下大的，再隨機拿1個……我每拿一次，留下的蘋果都至少不比上次的小。拿的次數越多，挑出的蘋果就越大，但我除非拿100次，否則無法肯定挑出了最大的。這個挑蘋果的演算法，就屬於蒙特卡羅演算法——儘量找好的，但不保證是最好的。

作者：蘇椰
連結：https://www.zhihu.com/question
 
/20254139/answer/33572009

蒙特卡羅樹搜尋(MCTS)

網上的文章要不拿蒙特卡羅方法忽悠過去；要不籠統提一下，不提細節；要不就以為只是樹形的隨機搜尋，沒啥好談。但MCTS對於理解AlphaGo還是挺關鍵的。
MCTS這裡的取樣，是指一次從根節點到遊戲結束的路徑訪問。只要取樣次數夠多，我們可以近似知道走那條路徑比較好。貌似就是普通的蒙特卡羅方法？但對於樹型結構，解空間太大，不可能完全隨機去取樣，有額外一些細節問題要解決：分支節點怎麼選（寬度優化）？不選比較有效的分支會浪費大量的無謂搜尋。評估節點是否一定要走到底得到遊戲最終結果（深度優化）？怎麼走？隨機走？
基本的MCTS有4個步驟Selection,Expansion,Simulation,Backpropagation（論文裡是backup，還以為是備份的意思），論文裡state，action，r(reward)，Q 函式都是MCTS的術語。

具體的細節，可以參考UCT（Upper Confidence Bound for Trees） algorithm – the most popular algorithm in the MCTS family。從維基百科最下方那篇論文截的圖。原文有點長，這裡點到為止，足夠理解AlphaGO即可。N是搜尋次數，控制exploitation vs. exploration。免得一直搜那個最好的分支，錯過邊上其他次優分支上的好機會。

AlphaGo

四大元件。最後只直接用了其中3個，間接用其中1個。

Policy Network (Pσ)

Supervised learning(SL)學的objective是高手在當前棋面(state)選擇的下法(action)。Pσ=(a|s)
要點
1. 從棋局中隨機抽取棋面（state/position）
2. 30 million positions from the KGS Go Server (KGS是一個圍棋網站)。資料可以說是核心，所以說AI戰勝人類還為時尚早，AlphaGo目前還是站在人類expert的肩膀上前進。
3. 棋盤當作19*19的黑白二值影象，然後用卷積層（13層）。比影象還好處理。rectifier nonlinearities
3. output all legal moves
4. raw input的準確率：55.7%。all input features：57.0%。後面methods有提到具體什麼特徵。需要一點圍棋知識，比如liberties是氣的意思

Fast Rollout Policy (Pπ)

linear softmax + small pattern features 。對比前面Policy Network，

• 非線性 -> 線性
• 區域性特徵 -> 全棋盤
  準確率降到24.2%，但是時間3ms-> 2μs。前面MCTS提到評估的時候需要走到底，速度快的優勢就體現出來了。

Reinforcement Learning of Policy Networks (Pρ)

要點

• 前面policy networks的結果作為初始值ρ=μ
• 隨機選前面某一輪的policy network來對決，降低過擬合。
• zt=±1是最後的勝負。決出勝負之後，作為前面每一步的梯度優化方向，贏棋就增大預測的P，輸棋就減少P。
• 校正最終objective是贏棋，而原始的SL Policy Networks預測的是跟expert走法一致的準確率。所以對決結果80%+勝出SL。

跟Pachi對決，勝率從原來當初SL Policy Networks的11%上升到85%，提升還是非常大的。

Reinforcement Learning of Value Networks (vθ)

判斷一個棋面，黑或白贏的概率各是多少。所以引數只有s。當然，你列舉一下a也能得到p(a|s)。不同就是能知道雙方勝率的相對值

• using policy p for both players （區別RL Policy Network：前面隨機的一個P和最新的P對決）
• vθ(s)≈vPρ(s)≈v∗(s) 。v∗(s) 是理論上最優下法得到的分數。顯然不可能得到，只能用我們目前最強的Pρ演算法來近似。但這個要走到完才知道，只好再用Value Network vθ(s)來學習一下了。
  Δθ∝∂vθ(s)∂θ(z−vθ(s))
  （上面式子應該是求min(z−vθ(s))2，轉成max就可以去掉求導的負號）因為前序下法是強關聯的，輸入只有一個棋子不同，z是最後結果，一直不變，所以直接這麼算會overfitting。變成直接記住結果了。解法就是隻抽取game中的position，居然生成了30 million distinct positions。那就是有這麼多局game了。

AlphaGo與其他程式的對比。AlphaGo上面提到的幾個元件之間對比。這幾個元件單獨都可以用來當AI，用MCTS組裝起來威力更強。（kyu:級，dan:段）

MCTS 組裝起來前面的元件

結構跟標準的MCTS類似。

每次MCTS simulation選擇

• value network vθ
• fast rollout走到結束的結果zL

最開始還沒expand Q是0，那SL的Pσ 就是prior probabilities。Pσ還能起到減少搜尋寬度的作用，普通點得分很低。比較難被select到。有趣的結論是，比較得出這裡用SL比RL的要好！！模仿人類走棋的SL結果更適合MCTS搜尋，因為人類選擇的是 a diverse beam of promising moves。而RL的學的是最優的下法（whereas RL optimizes
for the single best move）。所以人類在這一點暫時獲勝！不過另一方面，RL學出來的value networks在評估方面效果好。所以各有所長。

搜尋次數N一多會扣分， 鼓勵exploration其他分支。

summary

整體看完，感覺AlphaGo實力還是挺強的。在機器學習系統設計和應用方面有很大的參考意義。各個元件取長補短也挺有意思。
瞭解了AlphaGo之後，再去看別人的分析就比較有感覺了，比如fb同樣弄圍棋的 @田淵棟 的 AlphaGo的分析 - 遠東軼事 - 知乎專欄