python alphago_手把手：AlphaGo有啥了不起，我也能教你做一个（附Python代码）-CSDN博客

大数据文摘作品

编译：叶一、Chloe、彭湘伟、钱天培

在2016年3月，Deepmind研发的AlphaGo以4:1的成绩，击败了曾荣获18次世界冠军的围棋选手，李世石(Lee Sedol)。超过2亿观众见证了这一历史时刻。一台机器已经学会了一种超越人类的围棋策略。这在以前被认为是一项不可能完成的任务，或者至少需要十年之功。

AlphaGo与李世石的第3场比赛

这已是一项了不起的成就。然而，在2017年10月18日，DeepMind又再次取得了突破。

论文《无需人类知识就能称霸围棋》(Mastering the Game of Go without Human Knowledge)，揭示了一种新的算法——AlphaGo Zero，它以100:0的惊人成绩打败了AlphaGo。更令人难以置信的是，它从零开始，通过自我博弈，逐渐学会了能打败自己之前的策略。至此，开发一个超级AI不再需要依赖人类专家的游戏数据库了。

仅48天后的2017年12月5日，DeepMind又发布了另一篇论文《通过一种通用的强化学习算法称霸国际象棋和日本象棋》(Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm)，它展示了AlphaGo Zero如何能够学会国际象棋(StockFish和Elmo)和象棋。整个学习过程，从第一次参与游戏到成为世界上最厉害的计算机程序，只用了24小时。

就这样，AlphaZero华丽丽地诞生了——它无需储备任何人类棋谱，就可以以通用算法完成快速自我升级。

关于这个成就，有两点最让人称奇:

AlphaZero对人类游戏经验根本就不需要

这点的重要性怎么说都不过分。也就是说，对于任何有充分信息的游戏(对阵双方对游戏状态都全程掌握)，AlphaGo Zero的方法论都可以得到完美应用！因为除了游戏规则之外，人类任何游戏经验值都是不需要的。

AlphaGo Zero的基础方法可以应用于任何具有完美信息的游戏(游戏状态在任何时候，双方玩家都完全知道的)，因为在游戏规则之外，不需要事先的专家知识。

这就是DeepMind能在发表AlphaGo Zero论文48天后，马上就能发表第二篇论文。毫不夸张地说，所需要改变的仅仅是新游戏规则，及与神经网络和蒙特卡罗树搜索相关的超参数。

这个算法的优雅程度秒杀众生

即便AlphaZero使用的是世界上只有极少数人能够看懂的超复杂算法，它仍然是项了不起的成就。同它相比，之前的算法可谓不复杂不成活，这才是它真正的魅力。究其核心，无非是以下极简而美的学习逻辑:

脑补各种场景，挑能赢的路走，想想别人会怎么应对，并不断探索未知。在思考未来可能的情景时，优先考虑有前途的路径，同时考虑其他人最有可能如何对你的行动作出反应，并继续探索未知。遇到不熟悉的状况，评估它的利害程度，把它同之前的各种让你走到今天这一步的场景作比较。穷尽你对未来的想象，用你试过最多的招数来应对。在你考虑了未来的可能性之后，采取你已经探索过的行动。游戏结束时，回头看看在哪里犯过错，然后洗心革面、更新认知。在游戏结束时，回过头来评估你在哪里错误地判断了未来的位置，并相应地更新你的理解。

这听起来是不是很像你学玩游戏的方式?当做错一个动作时，要么是因为你误判了这个动作会带来的结果，要么是你误判了对手可能会采取的行动。这两点正是AlphaZero学会如何玩游戏的法门。

如何构建自己的AlphaZero

首先，我们需要学习和理解AlphaGo Zero的原理。我之前写过一篇AlphaGo Zero的知识点速查手册可供参考：

https://medium.com/applied-data-science/alphago-zero-explained-in-one-diagram-365f5abf67e0

Tim Wheeler的博客中一篇文章也讲的很详细：

http://tim.hibal.org/blog/alpha-zero-how-and-why-it-works/

代码

基于下面这个代码库进行讲解：

https://github.com/AppliedDataSciencePartners/DeepReinforcementLearning

从运行Jupyter notebook中run.ipynb的前两个panel开始。一旦它完成了游戏的足够回合，那么神经网络将开始训练。通过随后的自我对弈和训练，它将逐渐在预测胜率和下一步行动上做得越来越好，从而做出更好的决策。

现在，我们需要更详细地看看面前的代码，并且展示下AI是怎样随着时间的增加变得越来越厉害的。

四子连珠(Connect4)

我们的算法将要学习如何玩这个游戏。虽然不如围棋那样复杂，但也有4531985219092种游戏走位。

四子连珠

游戏规则很简单。玩家轮流在任何一栏的顶部布置自己的颜色。最先在垂直、水平或对角线上放置一排同一种颜色棋子的玩家获胜，如果这种情况没有出现，那游戏就是平局。

下面是组成代码库的关键文件：

game.py——这个文件包含四子连珠的游戏规则

每个正方形都被分配了一个从0到41的数字，如下图所示：

game.py文件给出了从一种游戏状态到另一种状态的逻辑，并且给出了一个选择的动作。比如，考虑到empty board和38号动作，takeAction方法返回到一个新的游戏状态，也就是底部一行的中心位置。

你可以将game.py文件用任何符合相同API和算法的游戏文件替换掉，根据你给它的规则，通过自我对弈的方法学习。

run.ipynb——这个文件包含开启学习过程的代码

它通过算法中的主要环节加载游戏规则，并且由三个阶段组成：

1、自我对弈2、重新训练神经网络3、评估神经网络

有两个智能体也参与到这个环节中，他们分别为best_player和current_player。

best_player包含执行最佳的神经网络，并且可以用于生成自我对弈的记忆。然后，current_player在这些记忆上重新训练它的神经网络，然后再与best_player对弈。如果它赢了，best_player内部的神经网络被转换为current_player内部的神经网络，然后循环再次启动。

agent.Py——这个文件包含游戏中的一个玩家Agent class

在游戏中，每个玩家都是用自己的神经网络和蒙特卡罗搜索树进行初始化的。

我们需要用模拟的办法运行蒙特卡罗树搜索过程。具体地说，智能体移动到树的叶节点，用它的神经网络对节点进行评估，然后通过树将节点的值返回。

之后，我们还需要用act method多次重复模拟，让智能体理解从当前位置出发的最有利的移动。然后它将最终选择的动作返回到游戏中，以执行动作。

最后，replay method利用以前游戏的记忆，重新训练神经网络。

model.py——这个文件包括residual_cnn类，它定义了如何建立神经网络的实例

用Keras搭建残差卷积网络示例

它采用的是AlphaGoZero论文中浓缩版的神经网络结构——即一个卷积层，接着是许多剩余层，然后分成一个数值和指挥中枢。

可以在config文件中指定卷积筛选器的深度和数量。

Keras库是用来与后台的tensorflow建立网络。

查看个人的卷积滤波器和浓密连接层的神经网络，在run.ipynb笔记本运行以下代码：

current_player.model.viewLayers()

神经网络中的卷积核

MCTS.py——这个文件包含节点(Node)，边(Edge)和MCTS类，构成了蒙特卡洛树搜索

MCTS类包含了前文提到的 moveToLeaf 和backFill 方法，以及Edge类的实例存储有关每个潜在移动的统计信息。

config.py——这是你设置影响算法的关键参数的地方

调整这些变量会影响运行时间，神经网络的准确性和整体算法的成功。以上参数产生一个高品质的四子连珠选手，但要花很长时间才能做到。为了加快算法的速度，请尝试以下参数。

funcs.py——包含可以在两个智能体之间进行比赛的playMatches和playMatchesBetweenVersions函数

如果你想挑战之前创建的智能算法，可以运行下面的代码(在run.ipynb笔记本)

from game import Gamefrom funcs import playMatchesBetweenVersionsimport loggers as lgenv = Game()playMatchesBetweenVersions(env, 1 # the run version number where the computer player is located, -1 # the version number of the first player (-1 for human), 12 # the version number of the second player (-1 for human), 10 # how many games to play, lg.logger_tourney # where to log the game to, 0 # which player to go first - 0 for random)

initialise.py——当你运行该算法，所有的模型和存储文件保存在 runfolder的根目录下

稍后要从此检查点重新运行算法，请将运行文件夹传输到run_archive文件夹，并将运行编号附加到文件夹名称。然后，将运行编号，型号版本号和内存版本号输入到initialise.py文件中，对应于run_archive文件夹中相关文件的位置。像往常一样运行算法，然后从这个检查点开始。

memory.py

Memory类的一个实例存储以前游戏的记忆，该算法用于重新训练current_player的神经网络。

loss.py

该文件包含一个自定义损失函数，在传递到交叉熵损失函数之前，屏蔽了来自非法移动的预测。

settings.py

run和run_archive文件夹的位置。

loggers.py

日志文件保存到运行文件夹内的日志文件夹中。

要打开日志记录，请在此文件中将logger_disabled变量的值设置为False。

查看日志文件将帮助你了解该算法的工作原理，并在其“头脑”中查看。例如，下面是logger.mcts文件中的示例。