tanuki- 2023-06-21 GCTの学習に使用されたデータセット 強化学習
実験内容
棋譜生成
| 生成ルーチン | tanuki- 棋譜生成ルーチン |
| 評価関数 | https://docs.google.com/document/d/1brMnOJ86x4YVtU__7nQVEoA6vOJx8bo9QWZ4n181cRw/edit?usp=sharing gct.epoch=1000 |
| 1手あたりの思考 | 深さ 9 最大ノード数 50,000 |
| 開始局面 | startpos.2023-06-09.sfen |
| 開始局面後のランダムムーブ | なし |
| 生成局面数 | 約 10 億局面 × 4 |
| 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 |
棋譜シャッフル
| シャッフルルーチン | tanuki-棋譜シャッフルルーチン |
| qsearch | あり |
| 最小手数 | 0 |
| 最大手数 | 10000 |
| 最小進行度 | 0.0 |
| 最大進行度 | 1.0 |
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_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=0.01 eta1_epoch=100 |
| 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 | K・P・相対KP |
| 教師局面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 | https://docs.google.com/document/d/1brMnOJ86x4YVtU__7nQVEoA6vOJx8bo9QWZ4n181cRw/edit?usp=sharing gct.epoch=1000 |
| 勝敗項の教師信号 | 0.999 |
| やねうら王バージョン | V5.33 相当 |
| 学習局面数 | 収束するまで |
| Gaussian Lamabda | なし |
レーティング測定
| 対局相手 | https://docs.google.com/document/d/1brMnOJ86x4YVtU__7nQVEoA6vOJx8bo9QWZ4n181cRw/edit?usp=sharing gct.epoch=1000 tanuki-.halfkp_256x2-32-32.2023-05-08 ( Háo ) |
| 思考時間 | 持ち時間 300 秒 + 1 手 2 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.2023-04-16\TanukiColiseum\taya36_2020-11-06.sfen NUMAノード数=1 表示更新間隔(ms)=3600000
思考エンジン1 name=YaneuraOu NNUE 7.63 64ZEN2 TOURNAMENT author=by yaneurao exeファイル=C:\Jenkins\workspace\TanukiColiseum.2023-04-16\engine1\source\YaneuraOu-by-gcc.exe 評価関数フォルダパス=D:\hnoda\shogi\eval\gct.epoch=1000.iteration=2\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 FVScale1=16 Depth1=0
思考エンジン2 name=YaneuraOu NNUE 7.63 64ZEN2 TOURNAMENT author=by yaneurao exeファイル=C:\Jenkins\workspace\TanukiColiseum.2023-04-16\engine2\source\YaneuraOu-by-gcc.exe 評価関数フォルダパス=D:\hnoda\shogi\eval\gct.epoch=1000 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 FVScale2=16 Depth2=0
対局数5000 先手勝ち2464(54.0%) 後手勝ち2099(46.0%) 引き分け437
engine1
勝ち2773(60.8% R69.2 +-9.8) 先手勝ち1472(32.3%) 後手勝ち1301(28.5%)
宣言勝ち83 先手宣言勝ち35 後手宣言勝ち48 先手引き分け230 後手引き分け207
engine2
勝ち1790(39.2%) 先手勝ち992(21.7%) 後手勝ち798(17.5%)
宣言勝ち63 先手宣言勝ち35 後手宣言勝ち28 先手引き分け207 後手引き分け230
2773,437,1790
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.2023-04-16\TanukiColiseum\taya36_2020-11-06.sfen NUMAノード数=1 表示更新間隔(ms)=3600000
思考エンジン1 name=YaneuraOu NNUE 7.63 64ZEN2 TOURNAMENT author=by yaneurao exeファイル=C:\Jenkins\workspace\TanukiColiseum.2023-04-16\engine1\source\YaneuraOu-by-gcc.exe 評価関数フォルダパス=D:\hnoda\shogi\eval\gct.epoch=1000.iteration=2\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 FVScale1=16 Depth1=0
思考エンジン2 name=YaneuraOu NNUE 7.63 64ZEN2 TOURNAMENT author=by yaneurao exeファイル=C:\Jenkins\workspace\TanukiColiseum.2023-04-16\engine2\source\YaneuraOu-by-gcc.exe 評価関数フォルダパス=D:\hnoda\tanuki-.halfkp_256x2-32-32.2023-05-08\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)=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 FVScale2=20 Depth2=0
対局数5000 先手勝ち2529(53.3%) 後手勝ち2213(46.7%) 引き分け258
engine1
勝ち1652(34.8% R-102.8 +-10.1) 先手勝ち903(19.0%) 後手勝ち749(15.8%)
宣言勝ち6 先手宣言勝ち3 後手宣言勝ち3 先手引き分け131 後手引き分け127
engine2
勝ち3090(65.2%) 先手勝ち1626(34.3%) 後手勝ち1464(30.9%)
宣言勝ち63 先手宣言勝ち27 後手宣言勝ち36 先手引き分け127 後手引き分け131
1652,258,3090
学習ロスと訓練ロスは、それぞれ収束したように見えた。
学習率は、数エポックごとに下がっていった。
平手局面の評価値は、初期値の 155 付近から 0 付近まで下がったあと、 70 付近に収束した。
評価値の絶対値は、初期値の 8.0 * 10^8 から急激に上がり、 9.4 * 10^8 付近に収束した。
レーティングは、 gct.epoch=1000 と比較し、 R+69.2 程度あり、有意に高かった。また、 tanuki-.halfkp_256x2-32-32.2023-05-08 ( Háo ) と比較し、 R-102.8 程度あり、有意に低かった。
考察
学習ロスと訓練ロスについては、学習自体は問題なく行われているということを表しているのだと思われる。
レーティングについては、 gct.epoch=1000 と比較し、有意にレーティングが高かったことから、強化学習による効果があったのだと考えられる。しかし、 tanuki-.halfkp_256x2-32-32.2023-05-08 ( Háo ) と比べ、有意にレーティングが低かったことから、強化学習 1 周のみでは、十分な効果が得られていないか、強化学習の方針では、レーティングがこれ以上伸びない可能性がある。
まとめ
GCTの学習に使用されたデータセットを用いて NNUE 評価関数の学習を行ったあと、強化学習を行い、レーティングを測定した。
結果、レーティングは、 gct.epoch=1000 と比較し、 R+69.2 程度あり、有意に高かった。また、 tanuki-.halfkp_256x2-32-32.2023-05-08 ( Háo ) と比較し、 R-102.8 程度あり、有意に低かった。
次回は、今回作成した評価関数で学習データを生成し、再度強化学習をさせたい。
