Felicity - sự trở lại của Saola, hay Ký sự phiêu lưu tại Giải cờ máy Thế giới Đài Loan

[imagination]

Giờ đây nếu ta cứ đi theo hướng search nước là phần mềm ngày càng tụt hậu. Neural Network có thể tận dụng cả triệu ván cờ quá khứ, có kết quả thắng thua để gắn nhãn mạnh yếu từng nước đi. Machine Learning do đó mang tính practical (thực tế) và có thể đánh chết bất kì một phần mềm cờ nào đi theo lối mòn. Vì nó có khả năng học bổ sung, và search nước truyền thống dù có mạnh cỡ nào nó cũng học được hết.

NN, hay ConvNN, còn mạnh tới nỗi có thể phân loại 1000 nhãn hình khác nhau (chó, mèo, bàn, ghế, quần, áo...) với độ chính xác 90%. NN học từ vài triệu tấm ảnh đã gắn nhãn. Vì cơ sở dữ liệu quá lớn nên có thể mất 1 tuần trên dàn máy với GPU 1080 Ti. Tương tự, trong cờ, việc đưa toàn bộ dữ liệu ở quá khứ vào cho NN phân tích mạnh yếu vẫn còn quá ít so với việc train dữ liệu hình ảnh.

Recurrent NN với LSTM cell, có thể phân tích dữ liệu thời gian (time-series), như việc dự đoán tỉ giá thị trường, dự đoán thời tiết, phát hiện nhịp tim bất thường... Áp dụng RNN vào cờ là công việc hiện nay của các data scientist ở Google AI. Chẳng hạn, pháo 2 bình 5 mã 8 tấn 7 mã 2 tấn 3, thì sau đó cờ đen nên đi nước nào thì kết quả là tốt nhất? RNN chỉ cần học từ vô vàn ván cờ quá khứ trong tích tắc và cho ra kết quả tối ưu. Trong một phạm trù nào đó, ta có thể hiểu NN không cần phải biết luật cờ là gì (tuy nhiên, việc gán vài luật cờ cơ bản cho nó để tránh error cũng là cần thiết).

Nếu được một lời khuyên, tôi xin chân thành khuyên tác giả đừng đi vào lối mòn search nước nữa. Đó đã quá lạc hậu. Việc học các ván cờ từ quá khứ bằng NN là việc không khó, cấu trúc NN, hay đúng hơn là RNN, đã có sẵn trên nhiều data science community, như Kaggle. Cái quan trọng là làm sao thu thập càng nhiều ván cờ càng tốt và phải preprocess data chỉn chu để feed vào NN.

Có thể việc search nước ngược từ lúc chiếu hết, chỉ hiệu quả ở giai đoạn cờ tàn. Còn từ khai cuộc đến hết trung cuộc, NN mạnh hơn cách truyền thống ở rất nhiều mặt. Nó có thể kết hợp với search truyền thống, bởi vì nó sẽ suggest nước đi trong tích tắc (vì model đã được train), chứ không cần tốn thời gian cho từng nước đi như cách truyền thống.

Ý trên khác hẳn với việc dò nước trong library. Việc dò nước trong library không đảm bảo đó là nước yếu hay mạnh.

Việc này chỉ cần, theo tôi nghĩ, vài tháng là tác giả có khả năng thành công. Bản thân tôi đang nghiên cứu tại UNSW cũng đang tham gia các machine learning competition trên Kaggle và thực hành với NN hằng ngày, nên tôi có cảm giác rằng nó nên được đưa vào cờ tướng.

Thân.

[nghiepdu]

Giờ đây nếu ta cứ đi theo hướng search nước là phần mềm ngày càng tụt hậu. Neural Network có thể tận dụng cả triệu ván cờ quá khứ, có kết quả thắng thua để gắn nhãn mạnh yếu từng nước đi. Machine Learning do đó mang tính practical (thực tế) và có thể đánh chết bất kì một phần mềm cờ nào đi theo lối mòn. Vì nó có khả năng học bổ sung, và search nước truyền thống dù có mạnh cỡ nào nó cũng học được hết.

Nếu nói như bạn thì NN chỉ là học trò học máy móc các SW search nước truyền thống (tôi nghĩ NN của Google ko chỉ đơn giản như bạn cách bạn hiểu - vì như vậy thì rất nhiều người đã làm được rồi). Việc gán nhãn mạnh yếu vẫn phải phụ thuộc vào các SW "lạc hậu" này. Và chẳng ai đảm bảo được cách gán nhãn đó đúng tuyệt đối (với các thế phức tạp) cho nên data NN học được chưa phải chuẩn hoàn toàn. Do đó muốn NN chuẩn thì việc cải tiến các thuật toán đánh giá tìm kiếm vẫn luôn là cần thiết.

[chezz]

Giờ đây nếu ta cứ đi theo hướng search nước là phần mềm ngày càng tụt hậu. Neural Network có thể tận dụng cả triệu ván cờ quá khứ, có kết quả thắng thua để gắn nhãn mạnh yếu từng nước đi. Machine Learning do đó mang tính practical (thực tế) và có thể đánh chết bất kì một phần mềm cờ nào đi theo lối mòn. Vì nó có khả năng học bổ sung, và search nước truyền thống dù có mạnh cỡ nào nó cũng học được hết.

NN, hay ConvNN, còn mạnh tới nỗi có thể phân loại 1000 nhãn hình khác nhau (chó, mèo, bàn, ghế, quần, áo...) với độ chính xác 90%. NN học từ vài triệu tấm ảnh đã gắn nhãn. Vì cơ sở dữ liệu quá lớn nên có thể mất 1 tuần trên dàn máy với GPU 1080 Ti. Tương tự, trong cờ, việc đưa toàn bộ dữ liệu ở quá khứ vào cho NN phân tích mạnh yếu vẫn còn quá ít so với việc train dữ liệu hình ảnh.

Recurrent NN với LSTM cell, có thể phân tích dữ liệu thời gian (time-series), như việc dự đoán tỉ giá thị trường, dự đoán thời tiết, phát hiện nhịp tim bất thường... Áp dụng RNN vào cờ là công việc hiện nay của các data scientist ở Google AI. Chẳng hạn, pháo 2 bình 5 mã 8 tấn 7 mã 2 tấn 3, thì sau đó cờ đen nên đi nước nào thì kết quả là tốt nhất? RNN chỉ cần học từ vô vàn ván cờ quá khứ trong tích tắc và cho ra kết quả tối ưu. Trong một phạm trù nào đó, ta có thể hiểu NN không cần phải biết luật cờ là gì (tuy nhiên, việc gán vài luật cờ cơ bản cho nó để tránh error cũng là cần thiết).

Nếu được một lời khuyên, tôi xin chân thành khuyên tác giả đừng đi vào lối mòn search nước nữa. Đó đã quá lạc hậu. Việc học các ván cờ từ quá khứ bằng NN là việc không khó, cấu trúc NN, hay đúng hơn là RNN, đã có sẵn trên nhiều data science community, như Kaggle. Cái quan trọng là làm sao thu thập càng nhiều ván cờ càng tốt và phải preprocess data chỉn chu để feed vào NN.

Có thể việc search nước ngược từ lúc chiếu hết, chỉ hiệu quả ở giai đoạn cờ tàn. Còn từ khai cuộc đến hết trung cuộc, NN mạnh hơn cách truyền thống ở rất nhiều mặt. Nó có thể kết hợp với search truyền thống, bởi vì nó sẽ suggest nước đi trong tích tắc (vì model đã được train), chứ không cần tốn thời gian cho từng nước đi như cách truyền thống.

Ý trên khác hẳn với việc dò nước trong library. Việc dò nước trong library không đảm bảo đó là nước yếu hay mạnh.

Việc này chỉ cần, theo tôi nghĩ, vài tháng là tác giả có khả năng thành công. Bản thân tôi đang nghiên cứu tại UNSW cũng đang tham gia các machine learning competition trên Kaggle và thực hành với NN hằng ngày, nên tôi có cảm giác rằng nó nên được đưa vào cờ tướng.

Thân.

Tôi thường không thích nói trước về các dự án mới hoặc đang định hình. Nhưng vì một vài bạn muốn đề cập, nên tôi nói ngắn gọn thế này: tôi đã bắt đầu dự án này rồi, còn trước cả chương trình Felicity.

Nó phức tạp hơn em nghĩ nhiều và không phải muốn là chuyển sang làm được ngay. Nguyên nhân tập học / thời gian dậy quá lớn (cùng với một số lý do đặc thù khác của cờ Tướng). Em làm nghiên cứu không bị rào cản này vì có thể dễ dàng giảm quy mô dữ liệu (tập học) sao cho vừa với máy móc mình có.

Tôi sẽ bàn kỹ hơn nếu gặp nhau hoặc khi dự án phát triển đến mức thích hợp.

[Tiendaotd]

bác chezz tham dự hội nghị khoa học nào thế ạ?

[chezz]

bác chezz tham dự hội nghị khoa học nào thế ạ?

The 10th International Conference on Computers and Games (CG2018)

[nguyenduy123]

Hy vòng là có pm cờ viết ra để phục vụ người học hỏi, luyện tập chứ pm giờ mạnh quá không thể học hỏi được gì
ý kiến về 1 pm cờ mới

https://drive.google.com/open?id=1nH..._NVDm0nA5pARgG

[tonetone]

Hy vòng là có pm cờ viết ra để phục vụ người học hỏi, luyện tập chứ pm giờ mạnh quá không thể học hỏi được gì
ý kiến về 1 pm cờ mới

https://drive.google.com/open?id=1nH..._NVDm0nA5pARgG

Câu hỏi của bạn thực sự mình đọc rất kỹ mà không hiểu bạn đang viết về vấn đề gì luôn. Và đây là 1 topic của tác giả đang kể về cuộc hành trình thi đấu cờ máy ở giải quốc tế cũng như là sự trở lại của 1 phần mềm huyền thoại hy vọng bạn đừng spam các dạng hỏi như thế này làm loãng chủ đề chính của người ta.

Thân chào!

[chezz]

Hy vòng là có pm cờ viết ra để phục vụ người học hỏi, luyện tập chứ pm giờ mạnh quá không thể học hỏi được gì
ý kiến về 1 pm cờ mới

https://drive.google.com/open?id=1nH..._NVDm0nA5pARgG

Ngày xưa tôi có tạo một loạt chương trình cùng một loạt tiện ích để phục vụ người học. Ví dụ chương trình CCW chơi cờ yếu, có cả quyển sách loại tương tác được kèm theo. Saola, XB đi cùng rất nhiều các ván cờ (CSDL cờ), Saola cho xem các nhánh khai cuộc,... Nhưng hình như chẳng có mấy ai biết và khai thác được chúng. Do đó tôi tạm kết luận là những ai muốn học thì chỉ cần một quyển sách cờ là đủ. Còn lại thừa hết

[huybaichay]

Chào bác Nguyên

Em Huy tác giả của chương trình cờ vua Dolphin hiện đang xếp thứ 271 thế giới https://www.computerchess.org.uk/ccr....0#Dolphin_1_0

Em cũng đam mê viết chương trình cờ, ngày xưa cũng định viết cái cờ tướng như bác, nguyên lý giống nhau, chỉ khác cái hàm lượng giá đánh giá thế cờ và quy tắc đi quân thôi, còn thuật toán thì cờ vua và cờ tướng giống nhau hết.

Theo em nếu bác muốn phát triển thì dùng Trí tuệ nhân tạo mạng nơ ron thần kinh, cho nó học theo nguyên lý của Alpha Go, cho nó quét hết tất cả các ván cờ từ xưa đến nay của Trung Quốc vào rồi train. Việc này hơi tốn thời gian chút, đi theo hướng của bạn Imagine nói ở trên.

Nếu đi theo hướng Search thì lấy luôn cái source code của Fruit hoặc của chương trình cờ vua nổi tiếng thế giới nào đó (open source), rồi sửa lại quy tắc đi quân, kết hợp cùng 1 kiện tướng quốc gia về cờ tướng, viết lại hàm lượng giá. Là cờ mạnh ngay ạ

Em không có thời gian viết tiếp nữa vì còn phải kiếm xiền

[nghiepdu]

Chào bác Nguyên

Em Huy tác giả của chương trình cờ vua Dolphin hiện đang xếp thứ 271 thế giới https://www.computerchess.org.uk/ccr....0#Dolphin_1_0

Em cũng đam mê viết chương trình cờ, ngày xưa cũng định viết cái cờ tướng như bác, nguyên lý giống nhau, chỉ khác cái hàm lượng giá đánh giá thế cờ và quy tắc đi quân thôi, còn thuật toán thì cờ vua và cờ tướng giống nhau hết.

Theo em nếu bác muốn phát triển thì dùng Trí tuệ nhân tạo mạng nơ ron thần kinh, cho nó học theo nguyên lý của Alpha Go, cho nó quét hết tất cả các ván cờ từ xưa đến nay của Trung Quốc vào rồi train. Việc này hơi tốn thời gian chút, đi theo hướng của bạn Imagine nói ở trên.

Nếu đi theo hướng Search thì lấy luôn cái source code của Fruit hoặc của chương trình cờ vua nổi tiếng thế giới nào đó (open source), rồi sửa lại quy tắc đi quân, kết hợp cùng 1 kiện tướng quốc gia về cờ tướng, viết lại hàm lượng giá. Là cờ mạnh ngay ạ

Em không có thời gian viết tiếp nữa vì còn phải kiếm xiền

Felicity cũng đã rất mạnh rồi, nó xếp thứ 4 trong giải cờ máy và quan trọng hơn là đứng đồng hạng với Xiexie cùng đối đầu trực tiếp hòa.