tanuki- 2021-11-15 HalfKP_vm HalfKPからのパラメーターの移植
実験内容
- tanuki-wcsc29 のネットワークパラメーターの一部を HalfKP_vm 評価関数に移植し、そこから追加学習を行い、棋力を測定する
- 移植したのは、 tanuki-wcsc29 の入力変換層から隠れ層第 1 層へのネットワークパラメーターのうち、 1 筋～ 5 筋に玉がいる場合のパラメーターと、隠れ層第 1 層以降のネットワークパラメーター
棋譜生成
| 生成ルーチン | tanuki-棋譜生成ルーチン |
| 評価関数 | 水匠2 |
| 1手あたりの思考 | 深さ最大 24 思考ノード数最大 50,000 ノード |
| 開始局面 | foodgateの2019年～2020年前半の棋譜の32手目までから1局面ランダムに選択し、その局面を開始局面とした |
| 生成局面数 | 10 億局面× 2 セット |
| 生成条件 | 対局は打ち切らず詰みの局面まで学習データに出力した |
機械学習
| 機械学習ルーチン | やねうら王機械学習ルーチン |
| 学習モデル | halfkp_vm_256x2-32-32 |
| 学習手法 | SGD ミニバッチ法 |
| USI_Hash | 1024 |
| Threads | 16 |
| loop | 100 |
| batchsize | 1000000 |
| lambda | 0.5 |
| eta | 1.0 |
| newbob_decay | 0.5 |
| nn_batch_size | 1000 |
| eval_save_interval | 100000000 |
| loss_output_interval | 1000000 |
| mirror_percentage | 50 |
| eval_limit | 32000 |
| weight_by_progress | 有効 |
| 次元下げ | なし |
| 学習データ内で重複した局面の除外 | しない |
| 初期ネットワークパラメーター | tanuki-wcsc29 |
| 勝敗項の教師信号 | 0.99 |
レーティング測定
| 対局相手 | tanuki-tsec1 |
| 思考時間 | 持ち時間 900 秒 + 1 手 5 秒加算 |
| 対局数 | 2000 |
| 同時対局数 | 64 |
| ハッシュサイズ | 768 |
| 開始局面 | たややん互換局面集 |
実験結果
機械学習
青は、tanuki-wcsc29 から勝敗項の教師信号を 0.99 に設定して学習させたもの。
レーティング測定
13:10:40 対局数=2000 同時対局数=64 ハッシュサイズ=768 開始手数=24 最大手数=320 開始局面ファイル=C:\Jenkins\workspace\TanukiColiseum.2021-09-05\TanukiColiseum\taya36_2020-11-06.sfen NUMAノード数=2 表示更新間隔(ms)=3600000
13:10:40 思考エンジン1 name=YaneuraOu NNUE 6.50 64ZEN2 EVAL_LEARN author=by yaneurao exeファイル=C:\Jenkins\workspace\TanukiColiseum.2021-09-05\engine1\source\YaneuraOu-by-gcc.exe 評価関数フォルダパス=D:\hnoda\shogi\eval\tanuki-wcsc29.halfkp_vm_256x2-32-32.suisho-wcsoc2020\final 定跡手数=256 定跡ファイル名=no_book 思考ノード数=0 思考ノード数に加える乱数(%)=0 思考ノード数の乱数を1手毎に変化させる=False 持ち時間(ms)=900000 秒読み時間(ms)=0 加算時間(ms)=5000 乱数付き思考時間(ms)=0 スレッド数=1 BookEvalDiff=30 定跡の採択率を考慮する=false 定跡の手数を無視する=false SlowMover=100 DrawValue=-2
13:10:40 思考エンジン2 name=YaneuraOu NNUE 6.50 64ZEN2 EVAL_LEARN author=by yaneurao exeファイル=C:\Jenkins\workspace\TanukiColiseum.2021-09-05\engine2\source\YaneuraOu-by-gcc.exe 評価関数フォルダパス=D:\hnoda\tanuki-denryu-tsec-1\eval 定跡手数=256 定跡ファイル名=no_book 思考ノード数=0 思考ノード数に加える乱数(%)=0 思考ノード数の乱数を1手毎に変化させる=False 持ち時間(ms)=900000 秒読み時間(ms)=0 加算時間(ms)=5000 乱数付き思考時間(ms)=0 スレッド数=1 BookEvalDiff=30 定跡の採択率を考慮する=false 定跡の手数を無視する=false SlowMover=100 DrawValue=-2
13:10:40 対局数2000 先手勝ち903(53.5%) 後手勝ち784(46.5%) 引き分け313
13:10:40 engine1
13:10:40 勝ち831(49.3% R-4.3 +-15.2) 先手勝ち438(26.0%) 後手勝ち393(23.3%)
13:10:40 宣言勝ち10 先手宣言勝ち4 後手宣言勝ち6 先手引き分け143 後手引き分け170
13:10:40 engine2
13:10:40 勝ち856(50.7%) 先手勝ち465(27.6%) 後手勝ち391(23.2%)
13:10:40 宣言勝ち28 先手宣言勝ち9 後手宣言勝ち19 先手引き分け170 後手引き分け143
13:10:40 831,313,856
ベンチマーク
setoption name EvalDir value
D:\hnoda\shogi\eval\tanuki-wcsc29.halfkp_vm_256x2-32-32.suisho-wcsoc2020\final
isready
bench hash 100000 threads 1
Total time (ms) : 60038
Nodes searched : 68245358
Nodes/second : 1136702
bench hash 100000 threads 127
Total time (ms) : 60047
Nodes searched : 4293787400
Nodes/second : 71507109
Nodes searched(main thread) : 32367429
Nodes/second (main thread) : 539034
setoption name EvalDir value D:\hnoda\shogi\eval\tanuki-wcsc29-2019-05-06.winning_percentage_for_win=0.990000\final
isready
bench hash 100000 threads 1
Total time (ms) : 60014
Nodes searched : 70629632
Nodes/second : 1176885
Total time (ms) : 60050
Nodes searched : 4471278172
Nodes/second : 74459253
Nodes searched(main thread) : 34818790
Nodes/second (main thread) : 579829
| 1 スレッド | 127 スレッド | |
| HalfKP_vm | 1136702 | 71507109 |
| HalfKP | 1176885 | 74459253 |
まとめ
tanuki-wcsc29 のネットワークパラメーターの一部を HalfKP_vm 評価関数に移植し、そこから追加学習を行い、棋力を測定した。移植したのは、 tanuki-wcsc29 の入力変換層から隠れ層第 1 層へのネットワークパラメーターのうち、 1 筋～ 5 筋に玉がいる場合のパラメーターと、隠れ層第 1 層以降のネットワークパラメーターである。
学習ロスと検証ロスは、 tanuki-wcsc29 から勝敗項の教師信号を 0.99 に設定して学習させたものと同じくらいだった。
指し手一致率は、tanuki-wcsc29 から勝敗項の教師信号を 0.99 に設定して学習させたものより低かった。
平手局面の評価値は、tanuki-wcsc29 から勝敗項の教師信号を 0.99 に設定して学習させたものと同程度だった。
評価値の絶対値は、tanuki-wcsc29 から勝敗項の教師信号を 0.99 に設定して学習させたものと同程度だった。
棋力は、 tanuki-tsec1 と有意差が無かった。
ベンチマークの結果、 nps は HalfKP に比べて 3～4% 遅かった。
学習ロスと検証ロスより、初期パラメーターによっては、 HalfKP_vm は HalfKP と同程度までロスが下がることが分かった。
指し手一致率については、 HalfKP よりパラメーター数が少ないため、初期パラメーターに tanuki-wcsc29 の 6～9 筋の値を使っていないため、といった可能性があるが、実験からは特定できなかった。
平手局面の評価値より、学習自体が大きく失敗している可能性は低いと思われる。
評価値の絶対値より、勝敗項の教師信号の影響は、 HalfKP_vm でも HalfKP と同様に作用することが分かった。
レーティング測定の結果より、 HalfKP_vm が HalfKP と同程度のレーティングを実現できることが分かった。
ベンチマーク結果より、 HalfKP_vm は HalfKP よりやや遅いことが分かった。
HalfKP_vm は HalfKP に比べ、ネットワークパラメーターが 5/9 程度で済むため、学習データ量も少なくて済む可能性が高い。今後は HalfKP_vm を主に使用していきたい。
