tanuki- 2023-12-20 nnue-pytorch halfkp_1024x2-8-32 バッチサイズ調整
実験内容
- nnue-pytorch を用い、 halfkp_1024x2-8-32 ネットワークを学習させる。
- バッチサイズを 8192 に設定し、学習させる。
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 |
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 年の棋譜を使用した。レーティング 3900 以上同士の対局のみ使用した。 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。ランダムムーブはしなかった。 |
生成局面数 | 10 億局面 × 8 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 |
シャッフル条件
生成ルーチン | tanuki-シャッフルルーチン |
qsearch() | あり |
置換表 | 無効 |
機械学習
機械学習ルーチン | nnue-pytorch + やねうら王 https://github.com/nodchip/nnue-pytorch/tree/shogi.2023-10-29.halfkp_1024x2-8-32 |
学習モデル | halfkp_1024x2-8-32 |
学習手法 | SGD ミニバッチ法 |
初期学習率 (lr) | 1.0 |
最適化手法 | なし |
学習率調整手法 | Warmup + Newbob 風 |
batch-size | 8192 |
threads | 8 |
num-workers | 8 |
accelerator | gpu |
devices | 1 |
features | HalfKP |
max-epoch | 1000000 |
score-scaling | 361 |
lambda | 0.5 |
勝敗項の教師信号 | 0.999 |
num-batches-warmup | 10000 |
newbob-decay | 0.5 |
epoch-size | 1000000 |
num-epochs-to-adjust-lr | 500 |
学習を打ち切る下限学習率 | 1e-5 |
1 epoch 毎のネットワークパラメーターのクリップ | あり |
ネットワークパラメーターの量子化 | 量子化なしで学習し、収束後に量子化する。 |
ネットワークパラメーターの初期化方法 | pytorch のデフォルトの初期化手法で初期化する。 |
レーティング測定
対局相手 | tanuki-wcsc32 (マメット・ブンブク)https://docs.google.com/document/d/1W3Xzb27Cmkbwqz50U17O8H1brNXQ1ksABhNOsZOzspw/edit?usp=sharing tanuki-.nnue-pytorch-2023-12-13 |
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 | 384 |
開始局面 | dlshogi 互角局面集の角換わりの割合が 10% になるよう間引いたもの |
実験結果
機械学習
検証ロス
batch-size=8192 … 0.2555685317807082
batch-size=16384 … 0.2558451730358986
学習時間
batch-size=8192 … 1 日 23 時間
batch-size=16384 … 1 日 11 時間
ネットワークパラメーターの分布
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=384 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\floodgate32-80.adjust_bishop_exchange.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\tanuki-.nnue-pytorch-2023-12-18 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=true 定跡の手数を無視する=true 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\tanuki-.nnue-pytorch-2023-12-13 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=true 定跡の手数を無視する=true SlowMover=100 DrawValue=-2 BookEvalBlackLimit=0 BookEvalWhiteLimit=-140 FVScale2=16 Depth2=0
対局数5000 先手勝ち2490(52.6%) 後手勝ち2244(47.4%) 引き分け266
engine1
勝ち2456(51.9% R12.4 +-9.6) 先手勝ち1284(27.1%) 後手勝ち1172(24.8%)
宣言勝ち47 先手宣言勝ち21 後手宣言勝ち26 先手引き分け143 後手引き分け123
engine2
勝ち2278(48.1%) 先手勝ち1206(25.5%) 後手勝ち1072(22.6%)
宣言勝ち25 先手宣言勝ち8 後手宣言勝ち17 先手引き分け123 後手引き分け143
2456,266,2278
対局数=5000 同時対局数=64 ハッシュサイズ=384 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\floodgate32-80.adjust_bishop_exchange.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\tanuki-.nnue-pytorch-2023-12-18 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=true 定跡の手数を無視する=true 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-wcsc32-2022-05-06\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=true 定跡の手数を無視する=true SlowMover=100 DrawValue=-2 BookEvalBlackLimit=0 BookEvalWhiteLimit=-140 FVScale2=16 Depth2=0
対局数5000 先手勝ち2434(52.6%) 後手勝ち2193(47.4%) 引き分け373
engine1
勝ち1975(42.7% R-47.3 +-9.7) 先手勝ち1048(22.6%) 後手勝ち927(20.0%)
宣言勝ち94 先手宣言勝ち51 後手宣言勝ち43 先手引き分け188 後手引き分け185
engine2
勝ち2652(57.3%) 先手勝ち1386(30.0%) 後手勝ち1266(27.4%)
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185 後手引き分け188
1975,373,2652
学習ロスと検証ロスは、はじめに急激に下がり、収束した。
学習ロスと検証ロスの乖離は、大きくはなかった。
学習ロスと検証ロスは、 batch-size=16384 と比べてやや小さかった。
学習率は、 batch-size=16384 と比べて、下がるのが 2 倍程度遅かった。
レーティングは、 tanuki-wcsc32-2022-05-06 に比べて R47.3 低く、有意な差があった。また、 batch-size=16384 と比べて R 12.4 高く、有意な差があった。
学習時間は、 batch-size=16384 と比べて、 30% 程度遅かった。
考察
学習ロスと検証ロスの乖離が大きくなかったことから、過学習はあまり起こっていないと思う。
学習ロスと検証ロスが batch-size=16384 と比べてやや小さかったのは、バッチサイズを下げたことにより、より学習が進んだためだと思う。
学習率が batch-size=16384 と比べて、下がるのが 2 倍程度遅かったのは、バッチサイズを半分にしたため、同じ局面数学習するために必要なステップ数が 2 倍に増えたためだと思う。
レーティングが batch-size=16384 と比べて有意に高かったのも、バッチサイズを下げたことにより、より学習が進んだためだと思う。
学習時間が batch-size=16384 と比べて 30% 程度遅かったのは、バッチサイズを下げたことにより、学習の処理のオーバーヘッドが増えたためだと思う。バッチサイズをさらに下げることにより、レーティングをさらに向上させることができる可能性はある。しかし、学習時間を考えると、これ以上バッチサイズを下げるのは難しい。バッチサイズは下げず、学習率を上げるか、 Adam 等の適応的な最適化手法を使う必要があると思う。
まとめ
nnue-pytorch を用い、 halfkp_1024x2-8-32 ネットワークを学習させた。バッチサイズを 8192 に設定し、学習させた。
レーティングは、 tanuki-wcsc32-2022-05-06 に比べて R47.3 低く、有意な差があった。また、 batch-size=16384 と比べて R 12.4 高く、有意な差があった。 レーティングが batch-size=16384 と比べて有意に高かったのは、バッチサイズを下げたことにより、より学習が進んだためだと思う。
次回は、学習率を 2.0 に設定して学習させ、レーティングを測定したい。