tanuki- 2024-11-22 tanuki-.nnue-pytorch-2024-07-30.1 で生成した学習データによる学習 1 回目の収束後の lambda=0.1
実験内容
- tanuki-.nnue-pytorch-2024-07-30.1 を用いて生成した学習データで学習させる。
- ランダムパラメーターからの学習には、 tanuki-.nnue-pytorch-2024-07-30.1 を用いて生成した学習データを用いる。
- Fine-tuning に Suisho10Mn_psv を学習データとして用いる。
- 1 回目の収束のあと lambda=0.1 に変更して学習させる。
棋譜生成
ランダムパラメーターから学習させる際の学習データ
| 生成ルーチン | tanuki-棋譜生成ルーチン |
| 評価関数 | tanuki-.nnue-pytorch-2024-07-30.1 |
| 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 |
| フォルダ名 | tanuki-.nnue-pytorch-2024-07-30.1 |
シャッフル条件
ランダムパラメータから学習させる際の学習データ
| 生成ルーチン | tanuki-シャッフルルーチン |
| qsearch() | あり |
| 置換表 | 無効 |
| min_progress | 0.0 |
Fine-tuning に用いる学習データ
| 生成ルーチン | tanuki-シャッフルルーチン |
| qsearch() | あり |
| 置換表 | 無効 |
| min_progress | 0.1 |
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.2024-05-26.halfkp_512x2-8-96 |
| 学習モデル | halfkp_512x2-8-96 |
| 学習手法 | ミニバッチ SGD |
| 初期学習率 (lr) | 0.5 収束後 0.05 |
| 最適化手法 | なし |
| 学習率調整手法 | Warmup + Newbob 風 |
| batch-size | 16384 |
| threads | 8 |
| num-workers | 8 |
| accelerator | gpu |
| devices | 1 |
| features | HalfKP |
| max-epoch | 1000000 |
| score-scaling | 511 |
| lambda | 1.0 収束後 0.1 |
| 勝敗項の教師信号 | 1.0 - 1e-8 |
| 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 20 点、大駒 1 枚につき 100 点、敵陣三段目までに侵入している駒 1 枚につき 20 点追加する。 |
レーティング測定
| 対局相手 | https://docs.google.com/document/d/1wCpBATyZs1j3iibk2JSG1xxH_DNbPciXlSd1zfemkjs/edit?usp=sharing tanuki-.nnue-pytorch-2024-06-07.1 |
| 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
ランダムパラメーターからの学習
検証ロス
tanuki-.nnue-pytorch-2024-07-30.1 lambda=0.1 … 0.4177384674318376
tanuki-.halfkp_256x2-32-32.2023-05-08+suisho5.entering_king.2024-02-20.shuffled … 0.26532587229821
Fine-tuning
ネットワークパラメーターの分布
ランダムパラメーターからの学習
mean=-19.91796875 std=19.876258850097656
mean=-0.005720119923353195 std=3.4323861598968506
mean=2814.375 std=1572.5296630859375
mean=0.140625 std=5.8131279945373535
mean=-1911.21875 std=3589.21044921875
mean=0.8958333134651184 std=31.96974754333496
mean=-3572.0 std=nan
mean=3.5625 std=50.30952835083008
Fine-tuning
mean=-19.91796875 std=19.876258850097656
mean=-0.005720135290175676 std=3.4323861598968506
mean=2821.125 std=1580.5289306640625
mean=0.1416015625 std=5.813271999359131
mean=-1911.0625 std=3589.2626953125
mean=0.8958333134651184 std=31.96974754333496
mean=-3572.0 std=nan
mean=3.5625 std=50.30952835083008
レーティング測定
実験時間の都合上、tanuki-.nnue-pytorch-2024-11-20.0 のレーティング測定は省略した。
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 8.30git 64ZEN2 TOURNAMENT YaneuraOu NNUE 8.30git 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-2024-11-20.1 D:\hnoda\shogi\eval\tanuki-.nnue-pytorch-2024-06-07.1
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2408(54.1%) 後手勝ち2041(45.9%) 引き分け551
engine1
勝ち2397(53.9% R24.0 +-9.7) 先手勝ち1307(29.4%) 後手勝ち1090(24.5%)
宣言勝ち41 先手宣言勝ち15 後手宣言勝ち26 先手引き分け244 後手引き分け307
engine2
勝ち2052(46.1%) 先手勝ち1101(24.7%) 後手勝ち951(21.4%)
宣言勝ち70 先手宣言勝ち30 後手宣言勝ち40 先手引き分け307 後手引き分け244
2397,551,2052
学習ロスと検証ロスは、ランダムパラメーターからの学習においては、 tanuki-.nnue-pytorch-2024-06-07.0 および score_scaling=361 で学習したものより高くなった。 Fine-tuning においても、 tanuki-.nnue-pytorch-2024-06-07.1 より高くなった。
自己対局において、Fine-tuning したネットワークパラメーターは tanuki-.nnue-pytorch-2024-06-07.1 に対してレーティングが R24.0 高く、有意な差があった。また、 1 回収束したあとの lambda を 0.2 に設定した場合と比べて、相対的なレーティング差は高くなった。ただし、直接的なレーティング差の測定はしていない。また、入玉宣言勝ちの回数は 1/2 程度だった。
考察
学習ロスと検証ロスが、ランダムパラメーターからの学習において tanuki-.nnue-pytorch-2024-06-07.0 より高くなったのは、1 回収束したあとの lambda を小さくしたためだと思う。ロスは勝率項より勝敗項のほうが大きく、 lambda を小さくすることにより勝敗項の重みが大きくなったため、トータルのロスが大きくなったのだと思う。
学習ロスと検証ロスが、 Fine-tuning において tanuki-.nnue-pytorch-2024-06-07.1 より高くなった理由は、 tanuki-.nnue-pytorch-2024-06-07.1 を用いて生成した学習データと、 Hao を用いて生成した学習データとで、後者の方が Suisho10Mn_psv に性質が似ていたためだと思う。
自己対局において、 Fine-tuning した評価関数のレーティングに有意な差があった理由は、ランダムパラメーターから学習させた評価関数のレーティングが高くなり、 Fire-tuning によりさらに高くなったためだと思う。両方の場合において、1 回収束したあとの lambda を 0.2 に設定した場合と比べて、相対的にレーティングが高くなった理由は、教師データを生成する際に使用した評価関数の精度が高く、教師データの教師信号のうち勝敗項の精度が高いためだと思う。
まとめ
tanuki-.nnue-pytorch-2024-07-30.1 を用いて生成した学習データで学習させた。ランダムパラメーターからの学習には、 tanuki-.nnue-pytorch-2024-07-30.1 を用いて生成した学習データを用いた。Fine-tuning に Suisho10Mn_psv を学習データとして用いた。1 回目の収束のあと lambda=0.1 に変更して学習させた。
自己対局において、Fine-tuning したネットワークパラメーターは tanuki-.nnue-pytorch-2024-06-07.1 に対してレーティングが R24.0 高く、有意な差があった。また、 1 回収束したあとの lambda を 0.2 に設定した場合と比べて、相対的なレーティング差は高くなった。ただし、直接的なレーティング差の測定はしていない。また、入玉宣言勝ちの回数は 1/2 程度だった。
自己対局において、 Fine-tuning した評価関数のレーティングに有意な差があった理由は、ランダムパラメーターから学習させた評価関数のレーティングが高くなり、 Fire-tuning によりさらに高くなったためだと思う。両方の場合において、1 回収束したあとの lambda を 0.2 に設定した場合と比べて、相対的にレーティングが高くなった理由は、教師データを生成する際に使用した評価関数の精度が高く、教師データの教師信号のうち勝敗項の精度が高いためだと思う。
次回は一度収束したあと、 P 手目までは lambda = 1.0 - ply / P、P 手目以降は lambda = 0.0 として学習させ、レーティングを測定したい。
