“The two breakthrough papers using Deep Conv Nets to play Go - trained on Expert Games to predict the Experts Next Move.”
Move Evaluation in Go Using Deep Convolutional Neural Networks
12 层 CNN 监督学习专家棋谱,不搜索就达到约 6 段水平预测
研究深度卷积网络能否直接表示并学习围棋中的局面和着法评估知识:用人类职业棋谱监督训练一个 12 层卷积网络,它预测专家着法的准确率达 55%,相当于 6 段人类棋手的水平。直接用它下棋、不做任何搜索,就在 97% 的对局中击败传统搜索程序 GnuGo,并与每步模拟一百万局面的最先进蒙特卡洛树搜索表现相当。
HN 上的人把它与另一篇同类论文并列为用深度 CNN 学专家下一步着法来下围棋的两项突破,并指出无需搜索的网络就能达到业余段位。
学习路径
读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出先看深层卷积网络的两类典型设计(VGG 与 GoogLeNet),再读同期用卷积网络预测围棋落子的另一篇工作,最后读目标论文。
- 1
目标论文的深层卷积网络与小卷积核堆叠的思路与此同属一脉
读为什么堆叠 3x3 卷积并加深网络有效;抓住架构设计,不必看分类结果
- 2
- 3
同期的相近工作:同样用卷积网络从专家棋谱预测落子
读输入棋盘特征、预测下一手的设定,以及它与蒙特卡洛树搜索的结合
- 4Move Evaluation in Go Using Deep Convolutional Neural Networks
目标论文:12 层卷积网络监督学习专家棋谱,不搜索就能对弈
读棋盘输入表示、网络结构、落子预测准确率,以及直接对弈的结果
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及“Move Evaluation in Go Using Deep Convolutional Neural Networks by Maddison, Huang, Silver & Sutskever Move Evaluation in Go Using Deep Convolutional Neural Networks”
“See this paper[3] for more information.”
“Recently two deep-learning papers showed very impressive results.”
“and the follow up from Google's Deepmind group”
“I read Move Evaluation in Go Using Deep Convolutional Neural Networks earlier this year and tldr they trained a deep net bot that managed to hold about 1-2d on KGS. Since there's no searching going on, that's pretty good”
- Move Evaluation in Go Using Deep Convolutional Neural Networks ↗jhartmann · 2015-02-18 · 10 分