AlphaGo zero 的部分原理理解

1. 网络结构图：

   只有一个网络f_θ，它的参数是θ。它的输入是当前局面和之前历史局面的原始表示s，它的输出是模型预测的可能走法的概率和这个局面的Value(可以认为当前局面的胜率)
   

2. 为什么推理过程中依然需要MCTS?

   (P, V)=f_θ(s)
   在模型训练好之后，f_θ也就稳定了，给出的P也就是定值，之前的我会问，那就不需要MCTS了，输入当前的状态就会告诉你选择哪个动作会对局面更有利？
   注意，概率！概率！
   输出应该是有好多动作的概率以及当前的V;
   有利的动作产生的下一刻状态可能有较高的V，但这个V是均值（暂时这么理解），也就是说，较高的V的下一层中可能有较低的V, 较低的V的下一层中也可能有更高的V 。所以，采用MCTS进行更深层的探索，有可能找到潜在的更优解。

3. 目标相反的博弈双方为何可以共用同一套神经网络

   极大极小值算法：对于我方是max，对于敌方是min