Mastering the game of Go with deep neural networks and tree search
有三个概念需要理解。
- 蒙特卡洛树搜索
- 策略网络
- 值网络
蒙特卡洛树搜索
为什么叫树搜索呢？我们把棋子在棋盘上的落子情况看作棋盘的各个状态。最开始的空棋盘看作是树的根结点，当落子时，落子之后的状态都是在上一个状态的基础上改变的，每下一个子，就相当于叶子节点又拓展了新的叶子结点。一直拓展直到棋盘上摆满了子，这棵树才停止生长。
什么是蒙特卡洛？ 蒙特卡洛的思想就是模拟，是不断随机实验，最终利用很多次实验的结果去统计我们想要计算的目标变量。
比如这里的下棋，在每一步时我们该如何落子呢？ 假设棋盘上当前的落子情况为状态s,下一步要采取的动作为a,那么对于每个s都应当有相应的a与之对应。我们想要知道的就是给定一个s，其对应的a是什么，a的状态是有限的，我们可以‘向前看’。随机选择一个a，然后对方再随机选择一个动作，一直到分出胜负，此时统计获胜的那方每次下棋时的(s,a)，将这个元组对应的分数+1，这样经过很多次的模拟之后，每个状态-动作元组都有对应的得分，我们在下棋的时候就可以选择得分比较大的那个动作执行。
总的来说，蒙特卡洛树搜索是一种框架，它是一种思想。
策略网络
策略网络就是采用神经网络作为预测函数的策略函数。策略函数就是我们在之前说的根据当前的状态s来获取对应的动作a的函数。
值网络
值网络的作用是根据当前的状态s预测最终能获胜的概率。没有这个概率值也能做，不过预测的准确率就不行。
在预测过程中策略网络和值网络分别起到的作用是怎样的，或者说 预测过程是怎样的？
上面是论文中摘抄出来的图，这里简单说一下我的理解。
图a 实际上可以算是结果图了，就是已经计算出来了Q值，已经知道往哪个方向走是最好的。
图b 是依据policy network 生成下一个节点的过程。
图c 依据value network输出该节点的value并且执行MCTS rollout
图d 是根据文中公式计算Q值并且返回Q值最大的那条边。
下面这个图是我理解的搜索过程：
有监督的策略网络 (p_{ heta})，快速的策略网络 (p_{pi}) ?
We train the neural networks using a pipeline consisting of several stages of machine learning (Fig. 1). We begin by training a supervised learning (SL) policy network pσ directly from expert human moves. This provides fast, efficient learning updates with immediate feedback and high-quality gradients. Similar to prior work13,15, we also train a fast policy pπ that can rapidly sample actions during rollouts. Next, we train a reinforcement learning (RL) policy network pρ that improves the SL policy network by optimizing the final outcome of games of self- play. This adjusts the policy towards the correct goal of winning games, rather than maximizing predictive accuracy. Finally, we train a value network vθ that predicts the winner of games played by the RL policy network against itself.