tanuki- 2022-03-23 勝敗項の教師信号 再実験4

tanuki- 2022-03-23 勝敗項の教師信号 再実験4

実験内容

  • 勝敗項の教師信号を変更し、レーティングに変化があるか調べる。

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5 FV_SCALE=16
1手あたりの思考 深さ最大 9 思考ノード数最大 50,000 ノード
開始局面 foodgate の 2020 年~ 2021 年の棋譜のうち、レーティング 3900 以上同士の対局の 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 ランダムムーブなし
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 eta1=1e-8 eta2=1.0 eta1_epoch=100M
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 無効
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 0.85

レーティング測定

対局相手 tanuki-wcsc29.halfkp_vm_256x2-32-32 に水匠 5 で生成した学習データを学習させたもの
思考時間 持ち時間 900 秒 + 1 手 5 秒加算
対局数 5000
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

レーティング測定

対局数=5000 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

思考エンジン1 name=YaneuraOu NNUE 7.00 64ZEN2 TOURNAMENT 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\suisho5.winning_percentage_for_win=0.85\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)=300000 秒読み時間(ms)=0 加算時間(ms)=2000 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 BookEvalBlackLimit=0 BookEvalWhiteLimit=-140

思考エンジン2 name=YaneuraOu NNUE 7.00 64ZEN2 TOURNAMENT 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\shogi\eval\suisho5\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)=300000 秒読み時間(ms)=0 加算時間(ms)=2000 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 BookEvalBlackLimit=0 BookEvalWhiteLimit=-140

対局数5000 先手勝ち2043(54.3%) 後手勝ち1718(45.7%) 引き分け1239

engine1

勝ち1887(50.2% R0.9 +-9.6) 先手勝ち1030(27.4%) 後手勝ち857(22.8%)

宣言勝ち122 先手宣言勝ち65 後手宣言勝ち57 先手引き分け611 後手引き分け628

engine2

勝ち1874(49.8%) 先手勝ち1013(26.9%) 後手勝ち861(22.9%)

宣言勝ち82 先手宣言勝ち40 後手宣言勝ち42 先手引き分け628 後手引き分け611

1887,1239,1874

まとめ

勝敗項の教師信号を変更し、レーティングに変化があるか調べた。

学習ロスと検証ロスは、 t=0.85 のほうが低くなった。

平手局面の評価値は、 大きな差はなかった。

評価値の絶対値は、 t=0.85 のほうが高くなった。

レーティングは、有意な差はなかった。

学習ロスと検証ロスについては、勝敗項の教師信号が大きいほど交差エントロピーの値が小さくなることと矛盾はない。これは以前の実験通りである。

平手局面の評価値については、学習に大きな問題が起きていない事を表している。

評価値の絶対値については、以前の実験通りである。

レーティングについては、以前の実験通り、勝敗項の教師信号が 0.75~1.0 の間は、ほとんど差がないと思われる。

今後も t=0.80 で実験を進めていきたい。