シートベルトしてないのはさすがに論外すぎる こんなのに突っ込まれたらたまったもんじゃないよ https://t.co/tgu8aDqdIs
目次 実行環境 ビームサーチ 盤面評価 カウンター シミュレーターの高速化 探索の効率化 やってないこと 実行環境 機器:MacBook Pro 15 inch (2016) 言語:java スレッド数:1 ビームサーチクライアント上 turn=0:深さ15、幅4200 turn!=0:深さ10~15、幅1200 1ターンで20秒を超えそうな場合(特にturn=0)は動的に幅を狭めてるので、平均すると実際の幅は上記の0.8倍くらいです。 ちなみに、サーバー上のaiは幅を25%にしてます(省メモリ化用の処理が追加されたため) 盤面評価 共通 r:一様乱数(0~0.001) 連鎖数3未満の時 c:潜在的連鎖数(後述) p:パターンマッチ数(後述) score = c × 0.1 + p × 0.003 + r 連鎖数3以上の時 c:連鎖数×1.04^(max深さ-今探索してる深さ) s:黒魔術
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ざっくりいうと 学習率$B$とバッチサイズ$\epsilon$、モメンタムの係数$m$の間には関係があり、以下の2つの法則が成り立つ。 バッチサイズ$B$と学習率$\epsilon$は比例する($B\propto\epsilon$) バッチサイズ$B$とモメンタム係数$m$を1から引いた値は反比例する$B\propto \frac{1}{1-m}$ この式を元に異なるバッチサイズに対して効果的な学習率を決めたり、学習率を落とすのではなくバッチサイズを増やして学習の高速化ができるよというのが論文の主張。 元ネタ Samuel L. Smi
独自のAI(人工知能)を簡単に開発したい。このニーズに応えるツールとして注目を集めているのが、追加学習が可能な学習済みAIのクラウドサービスだ。比較的少ない学習データでAIを開発できる上に、AI開発の高度なスキルやノウハウを必要としないとされる。 世界3大クラウドの事業者では米アマゾン ウェブ サービス(Amazon Web Services)を除く、米マイクロソフト(Microsoft)と米グーグル(Google)の2社が提供している。Googleは画像識別の「Cloud AutoML Vision」、テキスト分析の「Cloud AutoML Natural Language」、機械翻訳の「Cloud AutoML Translation」の3つで、2019年5月17日時点ではいずれもベータの提供である。 一般提供で先行するのはマイクロソフトだ。同年3月26日に、追加学習が可能な画像識別
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く