卷积网络在AlphaGo中是如何使用的？

Question

如果我正确理解围棋，就会有一个19x19的棋盘。在AlphaGo性质的论文http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html中，它提到了卷积网络。我对卷积网络的理解就是图像识别的例子。那么，如何应用卷积网络来解决这个问题呢？把董事会转换成19x19的图像，难道不是太过分了吗？

Answer 1

Go很大程度上受到模式的影响，正如您在图像分类中可能注意到的那样，卷积网络擅长这些。

你会问，如果把围棋板变成19*19的图片是不是太过分了，我必须承认，我没有尝试过为它创建一个图像，比如黑色石头0，没有石头0.5，白色石头1，并用它来训练网络，但我很肯定它会在一定程度上奏效。

事情比这更极端！19*19 go板被转换为19*19*48输入张量。(作为一幅rgb图像，它只会是19*19*3)一个平面是黑色的石头，一个平面是白石，一个平面是空条纹，另外45个平面编码了几个有助于网络知道的值。(比如自由、自由、行动后的自由，它们都在报纸上，但你必须多了解一些关于去理解它们的知识)

这是不是过火了，绝对不是！卷积网络善于识别模式，但它们需要正确的信息来识别模式。例如，该网络不可能检测到梯形，因为不可能将该信息从板的一边获取到另一边，并返回所使用的13层卷积层中，因此，48输入平面中的一些用于告诉网络，如果某一移动是梯子捕获或梯子逃逸移动。