Kuiz berkaitan panduan · Sederhana Tahap
Kuiz Carian Pokok Monte Carlo
Menyemak peringkat lelaran MCTS, penerokaan UCT, simulasi pelancaran, pilihan pergerakan akar dan cara AlphaGo menggabungkan carian dengan rangkaian.
soalan 1 daripada 8
Apakah empat langkah utama lelaran Carian Pokok Monte Carlo?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Apakah empat langkah utama lelaran Carian Pokok Monte Carlo?
- Pemilihan, Peluasan, Simulasi, Rambatan Balik
- Isih, tapis, cantumkan, keluarkan
- Encode, decode, attend, predict
- Latih, sahkan, uji, gunakan
- Apakah keseimbangan formula pemilihan UCT?
- Kelajuan berbanding memori
- Eksploitasi langkah bernilai tinggi berbanding penerokaan yang kurang dikunjungi
- Latihan berbanding inferens
- Lebar berbanding kedalaman rangkaian
- Dalam MCTS klasik, apakah yang berlaku semasa langkah 'simulasi' (pelancaran)?
- Pokok itu dipadamkan
- Rangkaian saraf dilatih semula
- Permainan dimainkan kepada hasil daripada nod baharu
- Semua kanak-kanak diperluaskan sekaligus
- 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
- Selepas banyak lelaran, bagaimanakah MCTS biasanya memilih langkah terakhir untuk dimainkan?
- Anak akar yang paling banyak dilawati
- Langkah dengan ganjaran segera yang tertinggi
- Seorang kanak-kanak rawak
- Nod terdalam dalam pokok
- Apakah yang menjadikan MuZero terkenal berbanding AlphaZero?
- Ia tidak menggunakan rangkaian saraf
- Ia mempelajari model persekitarannya sendiri, jadi ia boleh merancang tanpa diberi peraturan
- Ia hanya memainkan Go
- Ia meninggalkan pencarian pokok
- 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
- Penyebaran balik
- Expansion