AlphaGo出来之后，对它的解读一直不断，而AlphaGo Zero和AlphaZero文章发表后，复现的文章也是层出不穷。写这篇博文的时候，真是感觉诚惶诚恐—不太可能将AlphaZero讲的比知乎上的这篇文章更清晰明了了。作者写的MCTS的讲解纠正了我对UCT算法的好多误解。
MCTS（蒙特卡洛树搜索）
和人类下棋的思路类似，AlphaGo也需要模拟好多次下棋的步骤，探索哪一步是更好的招数。对于下图：
黑棋有黑1， 黑2两个走法；对应黑棋的黑1位置，白棋有白1,白2,白3三个走法（别管图中具体位置了，这是个例子而已）；对应黑2位置，白棋有白4，白5两个走法。那么这时候，黑棋应该走哪个呢？假设白棋也走了这五个位置中的某个，我们可以得到黑棋的胜率分别为83%， 49%， 92%和 51%， 52%（胜率如何计算，由价值网络决定，暂且不表）。
那么你会如何下呢？ 可能你胆子比较大，于是决定下黑1，因为黑1的平均胜率是:(83%+49%+92%)/3=74.67%; 而黑2的平均胜率只有(51%+52%)/2 = 51.5%。 但是，MCTS则走b2,白4的最低胜率51%也高于白2的49%。而如果白棋很聪明，一定会走白2的。所以，MCTS会选择走黑2。MCTS尽量会在轮到对方走的时候，选择对自己最不利的着法来走。
SESB(选择，扩展，模拟，回溯)
在AlphaGo中，mcts对每一个节点进行1600次类似上图的模拟，以此来决定走子策略。不同与传统纯MCTS的是，AlphaGo并不需要一直把这盘棋下完才能知道输赢，它可以（能？）像上图一样仅搜索两层就知道了哪种走子赢率更大。
策略网络
围棋(五子棋15x15)棋盘为19x19，这样MCTS每一步要需要搜索很广的情况，显然不划算。人类面对这种情况，是凭借直觉（还是计算呢？）确定几个概率大（比如五子棋，直接就不考虑边和角了）的点，然后在这几个点上再深度模拟（多走几步）。AlphaGo中的策略网络，就是充当这种直觉的：它通过输入19x19的图像，直接输出361个点的概率，然后搜索概率较大的点就可以了。
在AlphaPig中，我们将最近下的9个位置(黑，白…当前是否黑)作为特征输入卷积网络，然后得到225个行棋概率。
价值网络
在AlphaZero中，价值网络开始和策略网络使用同一个卷积网络（不清楚AlphaGo中为什么一开始是两个），为40层的残差网络。而价值网络输出的，确是一个介于0~1（1是当前player赢了，0是输了）之间的小数。这里我们使用10层的残差，当然，你也可以试一试其他的网络结构（实际上，5层的效果已经很好了）。
不同与AlphaZero的，我在这里并不打算一开始就让它自对弈：训练起来太慢了。我使用了网络上佚名人士提供的5581局人类五子棋比赛棋谱来预训练价值与策略网络，之后再让它开始的自对弈，训练速度有所加快。
初期不能明白的是，假设白棋一直下的很好，每一牌面（一次对弈有很多个牌面）都是神来之笔，而黑棋下的都很臭！最后黑棋一个不小心赢了。那么依然是白棋每个牌面为0，黑棋每个牌面为1吗？是的！ 虽然违反直觉，但是要相信，下得棋盘多了，最后还是会收敛的，不会每次的对弈都是这样（每次对弈大部分牌面都还是赢者的下法棋高一着）。
tips
训练时候，c_puct（控制MCTS的搜索广度）可以稍微设置大一些，如果训练的网络不错，可以试着把c_put设置的稍微小一些；自对弈的时候，dirichlet_noise根据自己的棋盘大小，可以尝试设置的稍微大一些，这样可以防止每一句的自对弈都是一个样子，我刚开始训练的时候，每次的博弈都是一样的局面，毫无新意，尝试了引入开局库（不要引入必胜开局库），情况稍微好了一些。
可以尝试在evaluate目录下，自己和训练的AI对弈，来增加数据，或者搭建局域网对弈，收集更多人机博弈的棋谱。
TODO：
对弈棋局棋谱保存，fix棋谱边缘估值（策略）网络智障。
更多进展，请follow AlphaPig。
特别致谢
-
源工程请移步junxiaosong/AlphaZero_Gomoku ，特别感谢大V的很多issue和指导。
- 特别感谢格灵深瞳提供的很多训练帮助（课程与训练资源上提供了很大支持），没有格灵深瞳的这些帮助，训练起来毫无头绪。
-
感谢Uloud 提供的P40 AI-train服务，1256小时/实例的训练，验证了不少想法。而且最后还免单了，中间没少打扰技术支持。特别感谢他们。
