在本文中，我们将在PyTorch中为Chain Reaction[2]游戏从头开始实现DeepMind的AlphaZero[1]。为了使AlphaZero的学习过程更有效，我们还将使用一个相对较新的改进，称为“Playout Cap Randomization”[3]，以及来自[4]的一些其他技术。在训练过程中，将使用并行处理来并行模拟多个游戏，还将通过一些相关的研究论文讨论AlphaZero的未来发展方向。
本文目的不是用AlphaZero构建最好的游戏机器人机器人(因为这需要大量的计算资源)，而是构建一个像样的机器人，至少可以击败随机的Agent，以Chain Reaction游戏为例了解AlphaZero是如何工作的。
本节首先解释Chain Reaction游戏是如何工作的。如果你只是想了解AlphaZero的工作原理，请跳过下一节直接转到AlphaZero部分。
https://avoid.overfit.cn/post/773f735b3f714b8a83bf3f32531510de
原文地址：http://www.cnblogs.com/deephub/p/16869689.html
1. 本站所有资源来源于用户上传和网络，如有侵权请邮件联系站长！
2. 分享目的仅供大家学习和交流，请务用于商业用途!
3. 如果你也有好源码或者教程，可以到用户中心发布，分享有积分奖励和额外收入！
4. 本站提供的源码、模板、插件等等其他资源，都不包含技术服务请大家谅解！
5. 如有链接无法下载、失效或广告，请联系管理员处理！
6. 本站资源售价只是赞助，收取费用仅维持本站的日常运营所需！
7. 如遇到加密压缩包，默认解压密码为"gltf",如遇到无法解压的请联系管理员！
8. 因为资源和程序源码均为可复制品，所以不支持任何理由的退款兑现，请斟酌后支付下载
声明：如果标题没有注明"已测试"或者"测试可用"等字样的资源源码均未经过站长测试.特别注意没有标注的源码不保证任何可用性
