AlphaGo原理浅析
一、总结
一句话总结：
正如人类下棋那般【“手下一步棋，心想三步棋”】，Alphago也正是这个思想
【当处于一个状态时，机器会暗地里进行多次的尝试/采样】，并基于反馈回来的结果信息改进估值函数，从而最终通过增强版的估值函数来选择最优的落子动作。
1、AlphaGo的三大核心模块（正如人类下棋那般“手下一步棋，心想三步棋”，Alphago也正是这个思想）？
【（1）如何确定估值函数（2）如何进行采样（3）如何基于反馈信息改进估值函数】
对应：【深度学习、蒙特卡罗搜索树、强化学习】
2、AlphaGo的三大核心模块一：深度学习（拟合估值函数）？
由于围棋的状态空间巨大，像蒙特卡罗强化学习那样【通过采样来确定值函数就行不通】了。
在围棋中，状态值函数可以看作为一种局面函数，状态-动作值函数可以看作一种策略函数，若我们能获得这两个估值函数，便可以根据这两个函数来完成：【(1)衡量当前局面的价值；(2)选择当前最优的动作】。
那如何精确地估计这两个估值函数呢？这就用到了【深度学习】，【通过大量的对弈数据自动学习出特征，从而拟合出估值函数】。
3、AlphaGo的三大核心模块二：蒙特卡罗搜索树（采样）？
【蒙特卡罗树】是一种经典的【搜索框架】，它通过【反复地采样模拟对局来探索状态空间】。
具体表现在：【从当前状态开始，利用策略函数尽可能选择当前最优的动作，同时也引入随机性来减小估值错误带来的负面影响，从而模拟棋局运行，使得棋盘达到终局或一定步数后停止】。
4、AlphaGo的三大核心模块三：强化学习（调整估值函数）？
在使用【蒙特卡罗搜索树】进行【多次采样】后，每次采样都会反馈后续的局面信息（利用局面函数进行评价），
【根据反馈回来的结果信息自动调整两个估值函数的参数】，这便是强化学习的核心思想，最后基于改进后的策略函数选择出当前最优的落子动作。
二、AlphaGo原理浅析
本篇一开始便提到强化学习是AlphaGo的核心技术之一，刚好借着这个东风将AlphaGo的工作原理了解一番。正如人类下棋那般“手下一步棋，心想三步棋”，Alphago也正是这个思想，当处于一个状态时，机器会暗地里进行多次的尝试/采样，并基于反馈回来的结果信息改进估值函数，从而最终通过增强版的估值函数来选择最优的落子动作。
其中便涉及到了三个主要的问题：（1）如何确定估值函数（2）如何进行采样（3）如何基于反馈信息改进估值函数，这正对应着AlphaGo的三大核心模块：深度学习、蒙特卡罗搜索树、强化学习。
1.深度学习（拟合估值函数）
由于围棋的状态空间巨大，像蒙特卡罗强化学习那样通过采样来确定值函数就行不通了。在围棋中，状态值函数可以看作为一种局面函数，状态-动作值函数可以看作一种策略函数，若我们能获得这两个估值函数，便可以根据这两个函数来完成：(1)衡量当前局面的价值；(2)选择当前最优的动作。那如何精确地估计这两个估值函数呢？这就用到了深度学习，通过大量的对弈数据自动学习出特征，从而拟合出估值函数。
2.蒙特卡罗搜索树（采样）
蒙特卡罗树是一种经典的搜索框架，它通过反复地采样模拟对局来探索状态空间。具体表现在：从当前状态开始，利用策略函数尽可能选择当前最优的动作，同时也引入随机性来减小估值错误带来的负面影响，从而模拟棋局运行，使得棋盘达到终局或一定步数后停止。
3.强化学习（调整估值函数）
在使用蒙特卡罗搜索树进行多次采样后，每次采样都会反馈后续的局面信息（利用局面函数进行评价），根据反馈回来的结果信息自动调整两个估值函数的参数，这便是强化学习的核心思想，最后基于改进后的策略函数选择出当前最优的落子动作。
转自：https://blog.csdn.net/weixin_42067668/article/details/88358985