Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Monte Carlo fakereső kvíz
Checks MCTS iteration stages, UCT exploration, rollout simulation, root-move choice and how AlphaGo combined search with networks.
kérdés 1 -ból 8
Mi a Monte Carlo Tree Search iterációjának négy fő lépése?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi a Monte Carlo Tree Search iterációjának négy fő lépése?
- Kiválasztás, bővítés, szimuláció, visszaterjesztés
- Rendezés, szűrés, összevonás, kimenet
- Kódolás, dekódolás, részvétel, előrejelzés
- Képzés, érvényesítés, tesztelés, telepítés
- Mit egyensúlyoz az UCT kiválasztási képlet?
- Sebesség versus memória
- A nagy értékű lépések kiaknázása az alullátogatottak feltárásával szemben
- Képzés versus következtetés
- A hálózat szélessége a mélység függvényében
- Mi történik a klasszikus MCTS-ben a „szimulációs” (kiterjesztési) lépés során?
- A fa törlődik
- A neurális hálózatot átképzik
- A játékot az új csomópont eredményére játsszák
- Minden gyermek egyszerre bővül
- What roles did AlphaGo’s policy and value networks play in its MCTS search?
- The policy network computed transitions and the value network chose the root child
- Both networks performed random rollouts without evaluating positions
- The value network proposed legal moves while the policy network estimated terminal rewards
- The policy network guided move selection and the value network estimated position strength; AlphaGo also used a rollout policy
- Sok iteráció után általában hogyan választja ki az MCTS az utolsó lépést?
- A legtöbbet látogató gyökérgyerek
- A lépés a legmagasabb azonnali jutalommal
- Véletlenszerű gyerek
- A fa legmélyebb csomópontja
- Mitől figyelemre méltó a MuZero az AlphaZero-hoz képest?
- Nem használ neurális hálózatokat
- Megtanulja saját környezeti modelljét, így anélkül tud tervezni, hogy a szabályokat megadnák neki
- Csak a Go-t játszik le
- Felhagy a fakereséssel
- In the UCT selection score, what does the exploration term reward?
- Only the child with the highest raw reward
- Moves that have already been selected most often, regardless of value
- Children with fewer visits relative to their parent, encouraging further sampling
- A random rollout’s final board size
- Which MCTS iteration step adds a new child to the existing tree?
- Selection
- Simulation
- Visszaszaporítás
- Expansion