http://blog.csdn.net/songrotek/article/details/51065143 http://blog.csdn.net/dinosoft/article/details/50893291 https://www.zhihu.com/question/39905662 https://yq.aliyun.com/articles/53737 https://wenku.baidu.com/view/3cbb606f49649b6648d747fb.html 深度解

/* 版权声明:可以随意转载,转载时请标明文章原始出处和作者信息 .*/ author: 张俊林 谷歌DeepMind开发的人工智能围棋程序AlphaGo以5:0的压倒性优势击败了欧洲围棋冠军.专业二段棋手Fan Hui.这是近期一周来最火爆的新闻了.16年3月份AlphaGo会和近期10年平均成绩表现最棒的韩国九段.世界冠军李世石进行对弈,这无疑也是最吸引眼球的一场人机世纪大战,假设此役AlphaGo获胜.这意味着人工智能真正里程碑式的胜利.从此起码在智力博弈类游戏范围内,碳基体人类将无法抵挡

AlphaGo的硬件配置 最近AlphaGo与李世石的比赛如火如荼,关于第四盘李世石神之一手不在我们的讨论范围之内.我们重点讨论下AlphaGo的硬件配置: AlphaGo有多个版本,其中最强的是分布式版本的AlphaGo.根据DeepMind员工发表在2016年1月Nature期刊的论文,分布式版本(AlphaGo Distributed)使用了1202个CPU和176个GPU,同时可以有40个搜素线程. 维基百科上有各种版本的AlphaGo硬件配置 : 最后一列是等级分,代表了论文送审时(2

作为小学期程序设计训练大作业的一部分,也是自己之前思考过的一个问题,终于利用小学期完成了贪吃蛇AI的一次尝试,下作一总结. 背景介绍: 首先,我针对贪吃蛇AI这一关键词在百度和google上尽心了检索,大致获得了一下信息 1.A*寻路算法是人工智能中的一个经典算法,很多AI利用这个算法提高性能. 2.在alphaGo一战成名,人工智能家喻户晓之后,有一个贪吃蛇AI吃满全屏的GIF图已读在微博疯转. 3.这个GIF图早在2013年就已经出现了(其实比alphaGo早). 4.国内过于贪吃蛇AI(也

这篇是我们自开设星际随笔以来写得最长的一篇.我们也花了不少力气.包括把那5盘棋各打了两遍的谱,包括从Nature官网上把那篇谷歌的报告花了200元下载下来研究它的算法(后来发现谷 歌网站上可以免费下载的),包括也查阅了很多其他文献资料. 为了方便大家阅读,我们先列一下我们这篇随笔主要讲了哪些问题: 1. 计算机战胜欧洲围棋冠军到底为啥好像很牛逼? 2. 从棋谱看,到底AlphaGo什么水平?樊麾有没有放水? 3. AlphaGo的技术原理是什么?这次的创新在哪里? 4. 深度学习相比神经网络有啥

[译] AlphaGo 的确是一个大事件 转自:http://www.jianshu.com/p/157a15de47df 字数3797 阅读696 评论0 喜欢4 作者:Michael Nielsen,源地址:https://www.quantamagazine.org/20160329-why-alphago-is-really-such-a-big-deal/ 围棋程序刻画了人类直觉的元素,这是能够产生深远影响的进步. 1997 年,IBM 的 Deep Blue 系统击败了国际象棋世界冠

首先,我们要祝贺小李下出第78手的“神之一手”,这一手堪称前无古人后无来者,尤其是结合了阿尔法狗自暴自弃的表现.小李说过他的失败并不是人类的失败,同样,小李的胜利也只是属于他一人的胜利. 然而人类在围棋领域会不会最终被机器所击败这一问题,在旧摩尔定律失效的情况下还不应急着下定论,看完这篇文章后有助于形成你自己的观点. 首先我们看到这张图.有人一定会觉得奇怪了:为什么左边的是英国国旗呢?Google难道不是美国的公司吗? 原因很简单,alphago是英国的deepmind公司研发的.2014年1月

3月16日历时8天的人机大战终于落下帷幕,alphago以4:1的比分击败了当年如日中天的李世石.这个结果让我这个围棋爱好者+计算机爱好者百感交集…… ——一个时代落幕了,一个新的时代开启了. 这次人机大战包含了两大方面,一是围棋,一是算法,幸好我对这两方面都略有涉猎,就不妨简要谈谈我的看法. (当然我围棋也只是业余5段,计算机方面更是被人随便虐,如有错误,欢迎指正) 先从围棋方面说说吧,其实很多人都对这次结果大跌眼镜的,赛前很多职业选手都是支持李世石5:0获胜的,毕竟围棋是“人类最后的智慧堡垒

谷歌用一个变了身的古老「穷举算法」,披上「神经网络」的画皮,假装「跨时代」的黑科技,忽悠广大「膜拜者」,「狮仙」我实在看不下去了,来揭一揭这只幺蛾子小狗的画皮. 本期是移动开发精英俱乐部的第10期推荐阅读,在<解开阿尔法狗(AlphaGo)人工智能的画皮>的开篇,就觉得很有意思.且不管说的有没有道理,但是能够在无数的「吹捧」中,冷静的去思考一下,绝对不是什么坏事.我们从小听家长的,长大听老师的,上班听领导的,缺乏的可能就是「质疑」和「思考」的能力,且不论 AlphaGo 是否真的「神通广大」,

谷歌人工智能 AlphaGo 与韩国棋手李世石 3 月 15 日进行了最后一场较量,最终比赛结果为 AlphaGo 4:1 胜李世石,人机围棋大战巅峰对决至此落幕.我不知道大家有没有被震撼到,反正我的老板是被震撼到了(后文会提到我老板震撼到后有什么具体表现和行动). 这篇文章,不想评价围棋的对局棋谱,也不想升华到什么人与智能之争巴拉巴拉的,因为确实不懂围棋(犹记得那个丢人的五子棋么?不止我一人看错吧!),也不懂如何理解新旧两代信息模式之争是个什么,我只是想不单纯的给大家科普一下什么是机器学习!

乱谈: 之前alphago进行的围棋比赛相当火爆. 一时间我的朋友圈都爆了,因为同学以及相关专业的同学都在发这个,毕竟逼格一下就起来了,我也大肆转发.各种角度,不同层次的不同深度的文章也都扫了几眼. 刚刚写了关于算法的随笔,所以我对当时一篇关于算法的文章还理解的比较清楚,所以关于这个事儿,我想就“只要是算法就一定说的明白”这个观点再论证一下.下围棋一共三个事儿,开始下棋,下子,游戏结束判胜负.判胜负有专业的规则,我不知道也不研究,但是必然有方法,凭我的印象大概有谁的地盘儿大,谁就赢,谁的气多谁就

写于2016 3.8晚 AlphaGo 与 Alan Turing 如果我们可以被称为生物版本的机器人,承载着在上千年或是万年的时间内不断完善的人工智能,并正如行为主义所指出的那样,对不同的刺激做出相对应的行为,那么我们便是如何让机械的机器人拥有人工智能的最好参考. 机械的躯体与人类的躯体是不同的.我们有着许许多多的生理限制.我们的器官会退化,哪怕它们曾经是多么的灵敏.我们的大脑总是需要休息,用足够的睡眠来调整自己.我们会随着年龄的增长,经历一些不可修复的损伤.而这些是机械的躯体所不用担心的,它

机器学习实战笔记(1) 1. 写在前面 近来感觉机器学习,深度学习神马的是越来越火了,从AlphaGo到Master,所谓的人工智能越来越NB,而我又是一个热爱新潮事物的人,于是也来凑个热闹学习学习.最近在看<Machine Learning IN ACTION>(作者:Peter Harrington)这本书,感觉非常不错.该书不是单纯的进行理论讲解,而是结合了许多小例子深度浅出地进行实战介绍.本博文作为学习笔记,用来记录书中重点内容和稍微地进行知识点的补充,也希望给看到的人带来一些帮助.

在强化学习(十八) 基于模拟的搜索与蒙特卡罗树搜索(MCTS)中,我们讨论了MCTS的原理和在棋类中的基本应用.这里我们在前一节MCTS的基础上,讨论下DeepMind的AlphaGo Zero强化学习原理. 本篇主要参考了AlphaGo Zero的论文, AlphaGo Zero综述和AlphaGo Zero Cheat Sheet. 1. AlphaGo Zero模型基础 AlphaGo Zero不需要学习人类的棋谱,通过自我对弈完成棋力提高.主要使用了两个模型,第一个就是我们上一节介绍MC

这是本专题的第三节,在这一节我们将以David Silver等人的Natrue论文Mastering the game of Go without human knowledge为基础讲讲AlphaGo Zero的基本框架,力求简洁清晰,具体的算法细节参见原论文.之后我们为AlphaGo家族做一下总结,展望未来AI革命会将我们带向何方,大火的美剧西部世界和强化学习有多少联系.本人水平有限,如有错误还望指正.如需转载,须征得本人同意.   相较AlphaGo的改进 只通过自我对局强化学习进行训练学

这是本专题的第二节,在这一节我们将以David Silver等人的Natrue论文Mastering the game of Go with deep neural networks and tree search为基础讲讲AlphaGo的基本框架,力求简洁清晰,具体的算法细节参见原论文.本人水平有限,如有错误还望指正.如需转载,须征得本人同意.   AlphaGo流程 以人类的棋局用监督学习训练出一个策略网络 \(p_\sigma\) 以人类的棋局用监督学习训练出一个策略网络 \(p_\pi\

这一个专题将会是有关AlphaGo的前世今生以及其带来的AI革命,总共分成三节.本人水平有限,如有错误还望指正.如需转载,须征得本人同意. Road to AI Revolution(通往AI革命之路),在这里我们将探索AlphaGo各项核心技术的源头及发展历程: Countdown to AI Revolution(AI革命倒计时),在这里我们将解构AlphaGo,看它是如何诞生的: AI Revolution and Beyond(AI革命及未来发展),在这里我们将解构AlphaGo Zer

  原文地址:https://www.hhyz.me/2018/08/08/2018-08-08-AlphaGO-Zero/> 1. 概述 简单来说,AlphaGo Zero 的训练可以分为三个同时进行的阶段: 自我对战 再训练网络 评估网络 在自我对战阶段, AlphaGo Zero 创建一个训练集合,自我完成对战 25000 次.棋局每变动一次,博弈.搜索可能性和胜出者的信息将被存储. 训练网络阶段,是神经网络权值得到优化的过程.在一次完整的训练循环中, AlphaGo Zero 将从 50

原文链接https://www.cnblogs.com/luweiseu/archive/2012/07/14/2591573.html 作者:wlu 7. 网络流算法--Ford-Fulkerson方法及其多种实现   网络流 在上一章中我们讨论的主题是图中顶点之间的最短路径,例如公路地图上两地点之间的最短路径,所以我们将公路地图抽象为有向带权图.本章我们将对基于有向带权图的模型做进一步扩展. 很多系统中涉及流量问题,例如公路系统中车流量,网络中的数据信息流,供油管道的油流量等.我们可以将有向

(原标题:从马文·明斯基到AlphaGo,人工智能走过了怎样的70年?) [编者按]从19世纪中叶人工智能的萌芽时期,到现今人工智能的重生,从马文·明斯基到AlphaGo,历史上发生了哪些激动人心的故事?本文以此铺展人工智能发展近70年来背后发生的故事.作者@沐阳浸月,中科院自动化所复杂系统国家重点实验室研究生,主攻机器人与人工智能. 前不久,在人工智能领域发生了两件大事,一个就是是伟大的人工智能先驱马文·明斯基教授逝世,一个是谷歌AlphaGo击败欧洲围棋冠军,职业围棋二段樊麾. 马文·明斯基