tanuki- 2024-02-14 nnue-pytorch halfkp_1024x2-8-32 入玉ボーナス

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。
学習データの読み込み時、入玉していた場合に評価値にボーナスを追加する。

入玉時、持ち駒および敵陣三段目までに侵入している駒について、小駒 1 枚につき 10 点、大駒 1 枚につき 50 点、敵陣三段目までに侵入している駒 1 枚につき 10 点追加する。

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
入玉ボーナス	入玉時、持ち駒および敵陣三段目までに侵入している駒について、小駒 1 枚につき 10 点、大駒 1 枚につき 50 点、敵陣三段目までに侵入している駒 1 枚につき 10 点追加する。

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 https://docs.google.com/document/d/1-C636vmDdw61N0w536jKR74g4YvD4MyKIeu3vmHyVpA/edit?usp=sharing tanuki-.nnue-pytorch-2024-01-31
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

検証ロス

入玉ボーナスあり … 0.2613000047885307

入玉ボーナスなし … 0.261410128337581

ネットワークパラメーターの分布

mean=-32.138671875 std=29.36127281188965

mean=-0.00931315403431654 std=3.898991584777832

mean=2108.75 std=2065.105224609375

mean=-0.06732177734375 std=5.976457595825195

mean=-2485.1875 std=5012.57373046875

mean=4.328125 std=32.8122673034668

mean=5335.0 std=nan

mean=1.78125 std=50.12483596801758

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-2024-02-06 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2432(53.1%) 後手勝ち2146(46.9%) 引き分け422

engine1

勝ち2477(54.1% R26.2 +-9.7) 先手勝ち1313(28.7%) 後手勝ち1164(25.4%)

宣言勝ち32 先手宣言勝ち18 後手宣言勝ち14 先手引き分け204 後手引き分け218

engine2

勝ち2101(45.9%) 先手勝ち1119(24.4%) 後手勝ち982(21.5%)

宣言勝ち69 先手宣言勝ち32 後手宣言勝ち37 先手引き分け218 後手引き分け204

2477,422,2101

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-2024-02-06 D:\hnoda\shogi\eval\tanuki-.nnue-pytorch-2024-01-31

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2413(53.1%) 後手勝ち2133(46.9%) 引き分け454

engine1

勝ち2254(49.6% R-2.6 +-9.6) 先手勝ち1185(26.1%) 後手勝ち1069(23.5%)

宣言勝ち51 先手宣言勝ち26 後手宣言勝ち25 先手引き分け249 後手引き分け205

engine2

勝ち2292(50.4%) 先手勝ち1228(27.0%) 後手勝ち1064(23.4%)

宣言勝ち56 先手宣言勝ち29 後手宣言勝ち27 先手引き分け205 後手引き分け249

2254,454,2292

学習ロスと検証ロスは、入玉ボーナスを加えたほうが低くなった。

学習率が下がるタイミングは、入玉ボーナスを加えたほうが遅かった。

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 2 倍近く多かった。また、入玉ボーナスなしで学習させた評価関数に対して R2.6 低かったが、有意な差はなかった。

考察

学習ロスと検証ロスが、入玉ボーナスを加えたほうが低くなった理由は、今日データの評価値の絶対値の平均値が上がり、クロスエントロピーが下がったためだと思う。

学習率が下がるタイミングが、入玉ボーナスを加えたほうが遅かった理由は、収束するまでの間に、より多くの学習が必要だったためだと思う。

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理由は、前回同様、学習データを作成した際に使用した Hao のレーティングが、水匠 5 より高いためだと思う。

また、宣言勝ちの回数に 2 倍近い差があったのも、前回同様、 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。ただし、前回の実験では 3 倍近い差がついていており、それと比べると、やや改善していると思う。

入玉ボーナスなしで学習させた評価関数と有意な差がなかった理由は、入玉ボーナスが棋力に悪影響を及ぼさないことを表していると思う。

まとめ

nnue-pytorch を用い、 halfkp_1024x2-8-32 ネットワークを学習させた。その際、学習データの読み込み時、入玉していた場合に評価値にボーナスを追加した。ボーナスは、入玉時、持ち駒および敵陣三段目までに侵入している駒について、小駒 1 枚につき 10 点、大駒 1 枚につき 50 点、敵陣三段目までに侵入している駒 1 枚につき 10 点とした。

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理由は、前回同様、学習データを作成した際に使用した Hao のレーティングが、水匠 5 より高いためだと思う。また、宣言勝ちの回数に 2 倍近い差があったのも、前回同様、 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。ただし、前回の実験では 3 倍近い差がついていており、それと比べると、やや改善していると思う。入玉ボーナスなしで学習させた評価関数と有意な差がなかった理由は、入玉ボーナスが棋力に悪影響を及ぼさないことを表していると思う。

次回は、ボーナス点を 2 倍にして学習させ、レーティングを測定したい。