alphago介紹的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

神經網路與PyTorch實戰

為了解決alphago介紹的問題，作者肖智清 這樣論述：

全書分為三個部分：1.一部分感性介紹神經網路的基礎知識，並給出一個利用PyTorch搭建神經網路解決實際問題的例子，使讀者對神經網路和PyTorch有初步的了解；2.第二部分介紹基於Python和PyTorch的科學計算和神經網路搭建，涵蓋了幾乎所有Python基礎知識和PyTorch基礎功能，並通過例子使讀者完全掌握相關技術；3.第三部分介紹生成對抗網路和遞歸神經網路，使讀者了解更多神經網路的常用用法。 肖智清，深度學習一線研發人員，現就職於世界排名第一的投資銀行，清華大學博士。擅長概率統計、隨機過程、時間序列和機器學習。近5年發表SCI/EI論文十餘篇，是多個頂

級期刊和會議審稿人。在國內外多項程式設計和資料科學競賽獲得冠軍。 前言 第1章 初識神經網路1 1.1 例說神經網路1 1.1.1 從圍棋和AlphaGo說起1 1.1.2 人的神經系統3 1.1.3 人工神經元3 1.1.4 人工神經網路5 1.1.5 神經網路的設計和權重的學習7 1.2 神經網路與人工智慧等概念的關係7 1.2.1 人工智慧和資料採擷7 1.2.2 機器學習和模式識別9 1.2.3 人工神經網路和深度學習11 1.2.4 各概念之間的聯繫11 1.3 本章小結12 第2章 初識PyTorch13 2.1 人工神經網路庫PyTorch13 2.1.1 P

yTorch是什麼13 2.1.2 編寫PyTorch程式14 2.2 例說PyTorch14 2.2.1 迷你AlphaGo介紹15 2.2.2 迷你AlphaGo的完整實現16 2.3 PyTorch學習路線19 2.4 本章小結20 第3章 使用PyTorch進行科學計算21 3.1 初識張量21 3.1.1 張量的數學定義21 3.1.2 PyTorch裡的張量22 3.2 構造torch.Tensor類實例24 3.2.1 構造含有特定資料的張量24 3.2.2 構造特定大小的張量25 3.2.3 構造等比數列和等差數列張量26 3.2.4 構造隨機張量26 3.3 組織張量的元素2

8 3.3.1 重排張量元素28 3.3.2 選取部分張量元素29 3.3.3 張量的擴展和拼接31 3.4 張量的科學計算32 3.4.1 有理運算和廣播語義32 3.4.2 逐元素運算33 3.4.3 張量點積和Einstein求和35 3.4.4 統計函數38 3.4.5 比較和邏輯運算39 3.5 例子：用蒙特卡洛演算法計算圓周率40 3.5.1 隨機計算與蒙特卡洛演算法40 3.5.2 蒙特卡洛演算法求解圓周率的實現41 3.6 本章小結42 第4章 求解優化問題43 4.1 梯度及其計算43 4.1.1 梯度的定義43 4.1.2 梯度的性質和計算45 4.1.3 使用PyTorc

h計算梯度數值45 4.2 優化演算法與torch.optim包46 4.2.1 梯度下降演算法46 4.2.2 梯度下降演算法的缺陷和解決方案48 4.2.3 各種優化演算法50 4.3 例子：Himmelblau函數的優化55 4.3.1 Himmelblau函數及視覺化55 4.3.2 求解Himmelblau的最小值57 4.3.3 求解Himmelblau的局部極大值59 4.4 本章小結59 第5章 線性回歸60 5.1 一元線性回歸60 5.1.1 最小二乘法60 5.1.2 正規方程法62 5.2 多元線性回歸63 5.3 其他損失情況下的線性回歸63 5.3.1 MSE損失、

損失和平滑損失64 5.3.2 torch.nn子包與損失類65 5.3.3 使用優化器求解線性回歸66 5.3.4 數據的歸一化68 5.4 例子：世界人口的線性回歸70 5.4.1 從維琪百科頁面獲取世界人口資料70 5.4.2 對世界人口做最小二乘法線性回歸71 5.4.3 用優化演算法實現最小二乘回歸72 5.5 本章小結74 第6章 線性判決與邏輯回歸75 6.1 線性判決與互熵損失75 6.1.1 判定問題與準確率75 6.1.2 線性判決76 6.1.3 極大似然和互熵損失77 6.2 邏輯回歸78 6.2.1 expit()函數和logit()函數78 6.2.2 用優化器實現

邏輯回歸80 6.2.3 Newton-Raphson方法81 6.3 多項邏輯回歸82 6.4 例子：數位圖像的識別84 6.4.1 使用torchvision讀取MNIST資料集84 6.4.2 利用多項邏輯回歸識別MNIST資料86 6.5 例子：股票成交量預測88 6.5.1 股票資料的讀取和視覺化88 6.5.2 成交量變化方向預測89 6.6 本章小結91 第7章 全連接神經網路92 7.1 前饋神經網路92 7.1.1 前饋神經網路的定義92 7.1.2 使用torch.nn.Sequential類搭建前饋神經網路93 7.1.3 權重的確定與反向傳播94 7.2 全連接層和全連

接神經網路95 7.3 非線性啟動96 7.3.1 逐元素啟動97 7.3.2 非逐元素啟動101 7.4 網路結構的選擇102 7.4.1 欠擬合和過擬合102 7.4.2 訓練集、驗證集和測試集103 7.5 例子：基於全連接網路的非線性回歸105 7.5.1 資料的生成和資料集分割105 7.5.2 確定網路結構並訓練網路106 7.5.3 測試性能108 7.6 本章小結109 第8章 卷積神經網路110 8.1 卷積層110 8.1.1 序列的互相關和卷積110 8.1.2 一維張量的互相關114 8.1.3 一維張量的轉置卷積117 8.1.4 高維張量的互相關和轉置卷積121 8

.1.5 torch.nn包裡的卷積層121 8.2 池化層、視覺層和補全層123 8.2.1 張量的池化124 8.2.2 張量的反池化125 8.2.3 torch.nn包裡的池化層126 8.2.4 張量的上採樣128 8.2.5 torch.nn包裡的視覺層130 8.2.6 張量的補全運算131 8.2.7 torch.nn包裡的補全層131 8.3 例子：MNIST圖片分類的改進132 8.3.1 搭建卷積神經網路133 8.3.2 卷積神經網路的訓練和測試135 8.4 本章小結137 第9章 迴圈神經網路138 9.1 神經網路的迴圈結構138 9.1.1 單向單層迴圈結構13

8 9.1.2 多層迴圈結構139 9.1.3 雙向迴圈結構140 9.2 迴圈神經網路中的迴圈單元141 9.2.1 基本迴圈神經元141 9.2.2 長短期記憶單元141 9.2.3 門控迴圈單元144 9.3 迴圈神經網路的實現145 9.3.1 torch.nn子包中的迴圈單元類145 9.3.2 torch.nn子包中的迴圈神經網路類146 9.4 例子：人均GDP的預測147 9.4.1 使用pandas-datareader讀取世界銀行資料庫147 9.4.2 搭建LSTM預測模型148 9.4.3 網路的訓練和使用149 9.5 本章小結151 第10章 生成對抗網路152 1

0.1 生成對抗

alphago介紹進入發燒排行的影片

利用AlphaZero框架實作與改良MiniShogi程式

為了解決alphago介紹的問題，作者陳品源 這樣論述：

2016年3月，DeepMind的AlphaGo程式以4:1的結果擊敗了當時韓國職業圍棋9段棋士李世乭，讓電腦對局的AI程式在強化學習的路上取得了巨大的突破與成就。隨後2017年10月更提出了AlphaGo Zero方法，以100:0的比數戰勝了原本的AlphaGo Lee程式，也證明了不用人類的棋譜當作先驗知識，就可以訓練出比人類還要更強的圍棋程式。而DeepMind最終把AlphaGo Zero方法一般化成了AlphaZero方法，也訓練出了當今世界棋力最強的西洋棋與將棋程式。但相對的，DeepMind也運用了非常龐大的運算資源來訓練，才得到了最強的棋力。本論文所研究的棋類為1970年楠

本茂信所發明的5五將棋，5五將棋是一種將棋變體，特色是棋盤大小比本將棋還要小，只有5×5的盤面，將棋則有9×9，所以5五將棋是很適合一般人在硬體資源有限的情況下，來實作電腦對局的AI程式項目。本實驗是使用AlphaZero的演算法，搭配AlphaZero General框架來實作出使用神經網路搭配強化學習來訓練的AI程式，而我們也搭配了一些已知的優勢策略做改良，讓我們可以在有限的硬體資源下，增進神經網路模型的訓練效率。在5五將棋的訓練中，我們使用兩種方法去做改良，第一種方法是依盤面的重要性對樣本做採樣，設定中局會比終盤與開局還要高的採樣機率，期待能讓神經網路學習下中盤棋局時能比一般的版本下的更

好。第二種方式是用能贏直接贏的方式去訓練，藉由提前一回合看到終局盤面，來達到Winning Attack的效果，因為MCTS在下棋時，即便是遇到能分出勝負的走步，不一定會走出能分出勝負的那一步，導致神經網路權重會收斂的很慢，而藉由此方法，可以比一般的訓練方法還要快的收斂。本研究所採用的兩個方法是一個成功一個失敗的結果，以實驗數據來說，如果取樣取的好，是有機會提升棋力的，但數據的表現上除了一組數據外，其他數據皆不盡理想；而Winning Attack的棋力提升的數據就非常顯著了，不過兩種方法搭配起來一起訓練時，雖然也會提升棋力，但是兩個方法沒有互相加成的效果。