神经网络的“自我学习”是什么？ - 版本历史

2025年6月5日 (四) 17:10 New

2025-06-05T17:10:16Z

←上一版本		2025年6月6日 (五) 01:10的版本
第6行：		第6行：
	作者会先让引擎自对弈，从而生成数据（棋谱）。		作者会先让引擎自对弈，从而生成数据（棋谱）。

	~~以nnue跑谱为例，这些数据里面有每步的局面、分数、和这局游戏的结果等等信息，通常是以每步几层或者几千、几万节点自对弈生成。~~		以NNUE跑谱为例，这些数据里面有每步的局面、分数、和这局游戏的结果等等信息，通常是以每步几层或者几千、几万节点自对弈生成。

	生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出更接近数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。		生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出更接近数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。
第12行：		第12行：
	因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆。		因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆。

	~~所以强引擎目前不可能一边使用一边学习，而是依赖作者训练好之后再发布出来~~		所以强引擎目前不可能一边使用一边学习，而是依赖作者训练好之后再发布出来的。

2024年12月3日 (二) 09:22 Afkbad

2024-12-03T09:22:46Z

←上一版本		2024年12月3日 (二) 17:22的版本
第4行：		第4行：
	在主流棋类引擎中，神经网络都属于离线监督学习。		在主流棋类引擎中，神经网络都属于离线监督学习。

	~~作者或者训练师会先让引擎自对弈，从而生成数据（棋谱）。~~		作者会先让引擎自对弈，从而生成数据（棋谱）。

	以nnue跑谱为例，这些数据里面有每步的局面、分数、和这局游戏的结果等等信息，通常是以每步几层或者几千、几万节点自对弈生成。		以nnue跑谱为例，这些数据里面有每步的局面、分数、和这局游戏的结果等等信息，通常是以每步几层或者几千、几万节点自对弈生成。
第10行：		第10行：
	生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出更接近数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。		生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出更接近数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。

	~~'''~~因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆。~~'''~~		因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆。

	~~'''如果有人声称引擎可以边使用边学习，并试图让人掏钱，就有极大概率是骗子。'''~~		所以强引擎目前不可能一边使用一边学习，而是依赖作者训练好之后再发布出来

2024年10月2日 (三) 15:38 New

2024-10-02T15:38:37Z

←上一版本		2024年10月2日 (三) 23:38的版本
第10行：		第10行：
	生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出更接近数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。		生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出更接近数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。

	'''因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆。		'''因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆。'''

	~~如果有人声称引擎可以边使用边学习，并试图让人掏钱，就有极大概率是骗子~~'''		'''如果有人声称引擎可以边使用边学习，并试图让人掏钱，就有极大概率是骗子。'''

2024年9月28日 (六) 15:50 New

2024-09-28T15:50:13Z

←上一版本		2024年9月28日 (六) 23:50的版本
第4行：		第4行：
	在主流棋类引擎中，神经网络都属于离线监督学习。		在主流棋类引擎中，神经网络都属于离线监督学习。

			作者或者训练师会先让引擎自对弈，从而生成数据（棋谱）。
	~~作者或者训练师会先让引擎自对弈，从而生成数据(棋谱)。~~

	以nnue跑谱为例，这些数据里面有每步的局面、分数、和这局游戏的结果等等信息，通常是以每步几层或者几千、几万节点自对弈生成。		以nnue跑谱为例，这些数据里面有每步的局面、分数、和这局游戏的结果等等信息，通常是以每步几层或者几千、几万节点自对弈生成。

	生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出接近更数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。		生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出更接近数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。

	'''因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆。		'''因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆。

	如果有人声称引擎可以边使用边学习，并试图让人掏钱，就有极大概率是骗子'''		如果有人声称引擎可以边使用边学习，并试图让人掏钱，就有极大概率是骗子'''

2024年4月7日 (日) 10:36 Afkbad

2024-04-07T10:36:33Z

←上一版本		2024年4月7日 (日) 18:36的版本
第11行：		第11行：
	生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出接近更数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。		生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出接近更数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。

	'''因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]~~这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆~~'''		'''因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆。

			如果有人声称引擎可以边使用边学习，并试图让人掏钱，就有极大概率是骗子'''

2024年3月31日 (日) 15:07 Afkbad

2024-03-31T15:07:18Z

←上一版本		2024年3月31日 (日) 23:07的版本
第11行：		第11行：
	生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出接近更数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。		生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出接近更数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。

	'''因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)~~，而引擎有哈希这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆~~'''		'''因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有[[置换表（哈希）是什么？设置多少好？\|哈希表]]这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆'''

2024年3月31日 (日) 15:06 Afkbad

2024-03-31T15:06:18Z

←上一版本		2024年3月31日 (日) 23:06的版本
第10行：		第10行：

	生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出接近更数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。		生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出接近更数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。

			'''因为是离线学习，依赖作者训练发布，所以你使用引擎是无法让引擎“学习”的(但棋类也完全不适合在线学习)，而引擎有哈希这种暂时的信息储存，所以拆棋时会感觉引擎有记忆功能，但重新加载后便失去了记忆'''

2024年3月31日 (日) 15:03 Afkbad

2024-03-31T15:03:37Z

←上一版本		2024年3月31日 (日) 23:03的版本
第1行：		第1行：
			<small>[[棋软知识\|返回“棋软知识”]]</small>
			<br>
			<br>
	在主流棋类引擎中，神经网络都属于离线监督学习。		在主流棋类引擎中，神经网络都属于离线监督学习。

Afkbad：创建页面，内容为“在主流棋类引擎中，神经网络都属于离线监督学习。作者或者训练师会先让引擎自对弈，从而生成数据(棋谱)。以nnue跑谱为例，这些数据里面有每步的局面、分数、和这局游戏的结果等等信息，通常是以每步几层或者几千、几万节点自对弈生成。生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得…”

2023-11-22T19:21:01Z

创建页面，内容为“在主流棋类引擎中，神经网络都属于离线监督学习。作者或者训练师会先让引擎自对弈，从而生成数据(棋谱)。以nnue跑谱为例，这些数据里面有每步的局面、分数、和这局游戏的结果等等信息，通常是以每步几层或者几千、几万节点自对弈生成。生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得…”

新页面

在主流棋类引擎中，神经网络都属于离线监督学习。

作者或者训练师会先让引擎自对弈，从而生成数据(棋谱)。

以nnue跑谱为例，这些数据里面有每步的局面、分数、和这局游戏的结果等等信息，通常是以每步几层或者几千、几万节点自对弈生成。

生成了足够多的数据后，便拿去训练，训练过程可以简单理解为去调整神经网络里的海量参数，使得网络的输出接近更数据。比如一个局面100分，训练就会改变神经网络参数让评估分数去接近这个100分。