PhoenixGo:PhoenixGo是騰訊微信翻譯團隊開發的人工智慧圍 -百科知識中文網

簡介

PhoenixGo是由騰訊公司的微信翻譯團隊依照DeepMind在科學期刊《自然》上對於AlphaGo Zero所發表的論文《Mastering the game of Go without human knowledge》所實做出的開源計算機圍棋程式。也就是不使用人類棋譜與累積的圍棋知識，僅實做圍棋規則，使用單一類神經網路從自我對弈中學習（不像AlphaGo以人類角度思考，設計了Policy Network與Value Network）。

團隊除了以BSD許可證發布可供對弈的代碼以外，另外發布了20 blocks的訓練數據供下載，但由於未放出訓練代碼或完整的原始訓練數據（如棋譜）。但開放的20 blocks版本棋力相較於比賽版本弱不少，且使用不同的架構，相較於同時間開源且開放訓練數據的其他軟體（主要是Facebook的ELF OpenGo），社區可重複利用的資源較少。因其之前在野狐圍棋所使用的賬號名稱金毛測試與金毛陪練，故暱稱為“金毛”。

PhoenixGo曾經以多個賬號在同集團的野狐圍棋上對弈：

•賬號金毛測試以單片NVIDIA Tesla P40進行對弈，勝率在90%以上，並行為10段賬號。

•賬號BensonDarr勝率也在90%以上，並行為10段賬號。

PhoenixGo在2018年3月以cronus為名在CGOS上對弈，其中cronus_v0.1.3是CGOS至2018年5月12日排名最高的對弈程式，BayesElo約4270分。

PhoenixGo在2018年4月以“鳳凰圍棋”身份參賽，並以全勝戰績獲取冠軍。

PhoenixGo 開源

一個好的圍棋 AI，需要算法、工程實現、計算資源三者結合。當前圍棋 AI 已經有了優秀的公開算法，但同時擁有良好工程實現和大量計算資源，並不是一件容易的事。

為了讓行業內其他研究者可以在此基礎上繼續探索圍棋 AI 的奧秘，幫助棋手更方便地研究圍棋 AI 的棋路，也為了眾多圍棋愛好者在家用普通電腦上可以享受和職業九段交鋒的樂趣，微信團隊決定對外開源 PhoenixGo 對弈源碼和訓練模型。

經過了一周多時間的籌備，PhoenixGo 正式開源了對弈源碼和一個 20 block 的模型。這份源碼和模型可以在單塊 GPU 上提供強職業棋手的棋力，在單機多卡和多機多卡的系統上具有遠超人類棋手的水平。PhoenixGo 在野狐圍棋平台上的賬號「金毛測試」，運行於 1 塊性能與 GTX 1080 Ti 性能接近的 Tesla P40 上，對人類棋手具有非常高的勝率。

項目地址：https://github.com/Tencent/PhoenixGo

開源內容包括：

•分散式 MCTS 對弈程式源碼，支持 GTP 協定

•經過大量資源訓練的 20 block 模型

當前支持 Linux 和 Windows 平台。

構建和運行

Linux

配置要求：

•支持 C++11 的 GCC；

•Bazel（0.11.1）；

•（可選）CUDA 和 cuDNN（支持 GPU）；

•（可選）TensorRT（加速 GPU 上的計算，建議使用 3.0.4 版本）。

構建：複製庫，並進行構建配置。

./configure 將詢問 CUDA 和 TensorRT 的安裝位置，如果必要指定二者的位置。

然後使用 bazel 進行構建：

TensorFlow 等依賴項將會自動下載。構建過程可能需要很長時間。

運行:

下載和提取訓練好的網路：

以 gtp 模式運行，使用配置檔案（取決於 GPU 的數量和是否使用 TensorRT）：

該引擎支持 GTP 協定，這意味著它可以和具備 GTP 能力的 GUI 一起使用，如 Sabaki。

--logtostderr 使 mcts_main 向 stderr 寫入日誌訊息，如果你想將訊息寫入檔案，將 --logtostderr 改成 --log_dir={log_dir} 即可。

分布模式:

如果不同的機器上有 GPU，PhoenixGo 支持分散式 worker。

構建分散式 worker：

在分散式 worker 上運行 dist_zero_model_server，每個 worker 對應一個 GPU：

在 config 檔案中填充 worker 的 ip:port（etc/mcts_dist.conf 是 32 個 worker 的配置示例），並運行分散式 master：

macOS 上

注意：TensorFlow 在 1.2.0 版本之後停止支持 macOS 上的 GPU，因此在 macOS 上的操作只能在 CPU 上運行。

要求和構建同 Linux一樣。

運行：

首先添加libtensorflow_framework.so 到LD_LIBRARY_PATH 中：

配置指南

以下是 config 檔案中的一些重要選項：

•num_eval_threads：應與 GPU 的數量一致；

•num_search_threads：應比 num_eval_threads * eval_batch_size 大一些；

•timeout_ms_per_step：每步使用的時間；

•max_simulations_per_step：每步要做多少模擬；

•gpu_list：使用哪塊 GPU，用逗號隔開；

•model_config -> train_dir：訓練好的網路的存儲目錄；

•model_config -> checkpoint_path：使用哪個檢查點，如果沒設定，則從 train_dir/checkpoint 中獲取；

•model_config -> enable_tensorrt：是否使用 TensorRT；

•model_config -> tensorrt_model_path：如果 enable_tensorrt，使用哪個 TensorRT 模型；

•max_search_tree_size：樹節點的最大數量，根據存儲容量進行更改；

•max_children_per_node：每個節點的子節點的最大數量，根據存儲容量進行更改；

•enable_background_search：在對手下棋的時候思考；

•early_stop：如果結果不再更改，則 genmove 可能在 timeout_ms_per_step 之前返回；

•unstable_overtime：如果結果仍然不穩定，則更多地考慮 timeout_ms_per_step * time_factor；

•behind_overtime：如果贏率低於 act_threshold，則更多地考慮 timeout_ms_per_step * time_factor。

分布模式的選項：

•enable_dist：啟動分布模式；

•dist_svr_addrs：分散式 worker 的 ip:port，多條線，每條線中有一個 ip:port；

•dist_config -> timeout_ms：RPC 逾時。

async 分布模式的選項：

Async 模式是在有大量分散式 worker 的時候使用的（多餘 200），而在 sync 模式中需要過多的 eval 執行緒和搜尋執行緒。

etc/mcts_async_dist.conf 是 256 個 worker 模式的 config 示例。

•enable_async：開啟 async 模式

•enable_dist：開啟分布模式

•dist_svr_addrs：每個命令行 ip:port 的多行、用逗號分開的列表

•eval_task_queue_size:根據分布 worker 的數量調整

•num_search_threads：根據分散式 worker 的數量調整

參看 mcts/mcts_config.proto 更詳細的了解 config 選項。

命令行選項：

mcts_main 接受以下命令行選項：

•--config_path：配置檔案路徑；

•--gtp：作為 GTP 引擎來運行，如果禁用，則只能進行 genmove；

•--init_moves：圍棋棋盤上最初的落子；

•--gpu_list：覆寫配置檔案中的 gpu_list；

•--listen_port：與 --gtp 一起使用，在 TCP 協定連線埠上運行 gtp 引擎；

•--allow_ip：與 --listen_port 一起使用，是允許連線的客戶端 ip 列表；

•--fork_per_request：與 --listen_port 一起使用，表示是否 fork 每個請求。

Glog 選項還支持：

•--logtostderr：向 stderr 寫入日誌訊息；

•--log_dir：向該資料夾中的檔案寫入日誌訊息；

•--minloglevel：記錄級別：0 - INFO、1 - WARNING、2 - ERROR；

•--v：詳細記錄，--v=1 即記錄調試日誌，--v=0 即關閉記錄。

mcts_main --help 支持更多命令行選項。

PhoenixGo

簡介

PhoenixGo 開源

構建和運行

Linux

macOS 上

配置指南

相關介紹

相關詞條

PhoenixGo

熱門詞條