tanuki- 2024-02-06 nnue-pytorch halfkp_1024x2-8-32 学習データ比較
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。
- Hao を使用して生成した学習データで学習する。
棋譜生成
| 生成ルーチン | tanuki-棋譜生成ルーチン |
| 評価関数 | Hao (tanuki-.halfkp_256x2-32-32.2023-05-08) |
| 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。戦型が角換わりの対局が 10% になるよう調整した。 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 | ミニバッチ SGD |
| 初期学習率 (lr) | 0.25 収束後 0.025 |
| 最適化手法 | なし |
| 学習率調整手法 | Warmup + Newbob 風 |
| batch-size | 8192 |
| threads | 8 |
| num-workers | 32 |
| accelerator | gpu |
| devices | 1 |
| features | HalfKP |
| max-epoch | 1000000 |
| score-scaling | 361 |
| lambda | 1.0 収束後 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 newbob scale | 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。 |
| 勾配の正規化 | なし |
| momentum | 0.9 |
レーティング測定
| 対局相手 | https://docs.google.com/document/d/1mTWCV4d3WJEwbDNAIQDIcy77R2oRG0UE7rgd1fV8KXw/edit?usp=sharing tanuki-.nnue-pytorch-2024-01-22 |
| 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
Hao … 0.261410128337581
水匠5 … 0.2513399218117319
ネットワークパラメーターの分布
mean=-32.5556640625 std=29.83448600769043
mean=-0.009473593905568123 std=3.7773518562316895
mean=3113.5 std=2727.462158203125
mean=-0.36029052734375 std=5.735721588134766
mean=-5197.4375 std=9097.38671875
mean=6.92578125 std=34.863407135009766
mean=6753.0 std=nan
mean=8.15625 std=51.89947509765625
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 思考エンジン2
name YaneuraOu NNUE 7.63 64ZEN2 TOURNAMENT YaneuraOu NNUE 7.63 64ZEN2 TOURNAMENT
author by yaneurao by yaneurao
exeファイル C:\Jenkins\workspace\TanukiColiseum.2023-04-16\engine1\source\YaneuraOu-by-gcc.exe 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-2024-01-31 D:\hnoda\shogi\eval\tanuki-.nnue-pytorch-2024-01-22
定跡手数 256 256
定跡ファイル名 no_book no_book
思考ノード数 0 0
思考ノード数に加える乱数(%) 0 0
思考ノード数の乱数を1手毎に変化させる False False
持ち時間(ms) 300000 300000
秒読み時間(ms) 0 0
加算時間(ms) 2000 2000
乱数付き思考時間(ms) 0 0
スレッド数 1 1
BookEvalDiff 30 30
定跡の採択率を考慮する true true
定跡の手数を無視する true true
SlowMover 100 100
DrawValue -2 -2
BookEvalBlackLimit 0 0
BookEvalWhiteLimit -140 -140
FVScale 16 16
Depth=0 0
MinimumThinkingTime 1000 1000
対局数5000 先手勝ち2533(55.2%) 後手勝ち2057(44.8%) 引き分け410
engine1
勝ち2469(53.8% R24.2 +-9.7) 先手勝ち1349(29.4%) 後手勝ち1120(24.4%)
宣言勝ち19 先手宣言勝ち9 後手宣言勝ち10 先手引き分け215 後手引き分け195
engine2
勝ち2121(46.2%) 先手勝ち1184(25.8%) 後手勝ち937(20.4%)
宣言勝ち75 先手宣言勝ち39 後手宣言勝ち36 先手引き分け195 後手引き分け215
2469,410,2121
学習ロスと検証ロスは、 Hao で生成した学習データで学習させたほうが高かった。
レーティングは、 水匠 5 で生成した学習データで学習させた評価関数に対して R24.2 高く、有意な差があった。ただし、宣言勝ちの回数は、 水匠 5 で生成した学習データで学習させた評価関数のほうが 3 倍近く多かった。
考察
学習ロスと検証ロスが Hao で生成した学習データで学習させたほうが高かった理由は、 Hao の評価値のスケールが水匠 5 より大きいためだと思う。このため、教師信号の評価値の絶対値が大きくなり、交差エントロピーが大きくなったのだと思う。
レーティングが水匠 5 で生成した学習データで学習させた評価関数に対して 有意に高かったのは、 Hao のほうが水匠 5 よりレーティングが高いためだと思う。また、宣言勝ちの回数が水匠 5 のほうが多かったのは、 Hao を Suishopsv-150m で Fine-tuning した際、勝敗項の教師信号を 0.99 と低めに設定したためだと思う。
まとめ
nnue-pytorch を用い、 halfkp_1024x2-8-32 ネットワークを学習させた。その際、 Hao を使用して生成した学習データで学習させた。
レーティングは、 水匠 5 で生成した学習データで学習させた評価関数に対して R24.2 高く、有意な差があった。ただし、宣言勝ちの回数は、 水匠 5 で生成した学習データで学習させた評価関数のほうが 3 倍近く多かった。レーティングが水匠 5 で生成した学習データで学習させた評価関数に対して 有意に高かったのは、 Hao のほうが水匠 5 よりレーティングが高いためだと思う。また、宣言勝ちの回数が水匠 5 のほうが多かったのは、 Hao を Suishopsv-150m で Fine-tuning した際、勝敗項の教師信号を 0.99 と低めに設定したためだと思う。
次回は、同じ学習データを用い、教師信号の評価値に、入玉時にボーナス点を付けて学習させ、レーティングを測定したい。
