搜索无关的象棋：一种基于大规模变换器的解决方案

搜索无关的象棋：一种基于大规模变换器的解决方案

searchless_chess Grandmaster-Level Chess Without Search 项目地址: https://gitcode.com/gh_mirrors/se/searchless_chess

1. 项目介绍

开源项目“搜索无关的象棋”（searchless_chess）是由Google DeepMind团队开发的一种使用大规模变换器（transformers）进行棋类游戏预测的算法。该项目通过将变换器模型应用于棋类游戏，如国际象棋，来评估其在规划任务上的表现。项目的主要目的是为了验证变换器模型在没有搜索步骤的情况下，是否能够有效地解决棋类问题。

2. 项目快速启动

环境准备

首先，需要准备Python 3.10环境。推荐使用Anaconda来创建一个虚拟环境：

conda create --name searchless_chess python=3.10
conda activate searchless_chess

然后安装pip并使用pip安装项目依赖：

conda install pip
pip install -r requirements.txt

如果您的系统有GPU支持，可以安装支持CUDA的JAX版本以加速训练：

pip install --upgrade "jax[cuda12_pip]" -f https://storage.googleapis.com/jax-releases/jax_cuda_releases.html

安装Stockfish和Leela Chess Zero

项目还依赖于Stockfish和Leela Chess Zero棋类引擎。可以从各自的GitHub仓库下载源代码并编译：

# Stockfish
git clone https://github.com/official-stockfish/Stockfish.git
cd Stockfish/src
make -j profile-build ARCH=x86-64-avx2
cd ../..

# Leela Chess Zero
git clone -b release/0.30 --recurse-submodules https://github.com/LeelaChessZero/lc0.git
# 构建步骤参照lc0的官方文档

数据集和模型 checkpoints

项目需要下载数据集和预训练模型：

cd data
./download.sh
cd ..

cd checkpoints
./download.sh
cd ..

训练模型

启动模型训练的命令如下：

cd src
python train.py
cd ..

训练好的模型 checkpoints 将会保存在 /checkpoints/local 目录下。

评估模型

评估模型在象棋难题上的准确度：

cd src
python puzzles.py --num_puzzles 10 --agent=local
cd ..

可以选择不同的模型或引擎进行评估，例如预训练的模型9M、136M、270M，Stockfish引擎，或Lc0引擎。

3. 应用案例和最佳实践

• 模型训练：使用大规模数据集进行监督学习，提高模型在预测动作值方面的准确性。
• 模型评估：通过象棋难题和在线比赛（如Lichess）来评估模型的表现。
• 模型部署：将训练好的模型部署到实际应用中，例如在线象棋平台或智能象棋设备。

4. 典型生态项目

• Stockfish：目前最强大的开源象棋引擎之一，可以作为基准来比较其他模型。
• Leela Chess Zero：使用深度学习和自我对弈进行训练的开源象棋引擎，与本项目有相似的探索方向。
• BayesElo：用于计算不同棋手或模型之间Elo评分的工具，有助于评估模型实力。

searchless_chess Grandmaster-Level Chess Without Search 项目地址: https://gitcode.com/gh_mirrors/se/searchless_chess