AI CUP 2023 Fall Go

執行環境

使用 Anaconda 建立環境

conda create -n go-aicup python=3.10
pip install -r requirements.txt

資料

• csv/dan_train.csv: 官方提供的 dan 訓練資料
• csv/dan_test_public.csv: 官方提供的 dan public 測試資料
• csv/dan_test_private.csv: 官方提供的 dan private 測試資料
• csv/kyu_train.csv: 官方提供的 kyu 訓練資料
• csv/kyu_test_public.csv: 官方提供的 kyu public 測試資料
• csv/kyu_test_private.csv: 官方提供的 kyu private 測試資料
• csv/play_style_train.csv_train.csv: 官方提供的棋風辨識訓練資料
• csv/play_style_test_public.csv: 官方提供的棋風辨識 public 測試資料
• csv/play_style_test_private.csv: 官方提供的棋風辨識 private 測試資料

處理程式

資料前處理的程式放在 src/data 資料夾中，會讀取 csv 資料夾中的檔案，處理完的檔案會放在 data 資料夾中。

• src/data/utils.py: 一些共用的函式
• src/data/dan_train_10M.py: 生成 dan 10M 訓練資料，儲存在 data/dan/10M 資料夾中
• src/data/dan_train_20M.py: 生成 dan 20M 訓練資料，儲存在 data/dan/20M 資料夾中
• src/data/dan_test_public.py: 生成 dan public 測試資料，儲存在 data/dan/test 資料夾中
• src/data/dan_test_private.py: 生成 dan private 測試資料，儲存在 data/dan/test 資料夾中
• src/data/kyu_train_10M.py: 生成 kyu 10M 訓練資料，儲存在 data/kyu/10M 資料夾中
• src/data/kyu_train_20M.py: 生成 kyu 20M 訓練資料，儲存在 data/kyu/20M 資料夾中
• src/data/kyu_test_public.py: 生成 kyu public 測試資料，儲存在 data/kyu/test 資料夾中
• src/data/kyu_test_private.py: 生成 kyu private 測試資料，儲存在 data/kyu/test 資料夾中
• src/data/play_style_train.py: 生成棋風辨識訓練資料，儲存在 data/play_style 資料夾中
• src/data/play_style_test_public.py: 生成棋風辨識 public 測試資料，儲存在 data/play_style/test 資料夾中
• src/data/play_style_test_private.py: 生成棋風辨識 private 測試資料，儲存在 data/play_style/test 資料夾中

註:

• 生成訓練資料時，可以修改程式中 NUM_CORES 的數值。
• 生成訓練資料時，可以修改程式中 BATCH_SIZE 的數值， dan 和 kyu 會根據 BATCH_SIZE 的數值分成多個檔案，棋風辨識則不會。

模型架構

• src/model/dan_model.ipynb: dan 模型架構
• src/model/kyu_model.ipynb: kyu 模型架構
• src/model/play_style_model.ipynb: 棋風辨識模型架構

訓練

會讀取 data 資料夾中的檔案，訓練完的模型會放在 checkpoints 資料夾中。

• train_dan_10M.py: 訓練 dan 10M 模型
• train_dan_20M.py: 訓練 dan 20M 模型
• train_kyu_10M.py: 訓練 kyu 10M 模型
• train_kyu_20M.py: 訓練 kyu 20M 模型
• train_play_style.py: 訓練棋風辨識模型

註:

• 程式內的模型為測試後的最佳模型，可以修改程式中的模型架構。
• 訓練 dan 或 kyu 時，要確認 data/dan/10M (20M) 和 data/kyu/10M (20M) 資料夾中的訓練資料數量。可以在 load_data 函式中修改。
• 訓練 dan 或 kyu 的 20M 模型時，根據我們的訓練方式，會先載入訓練好的 10M 模型。
• 訓練 dan 或 kyu 時，若在訓練後段出現 nan 的錯誤，不會影響結果，即完成訓練。
• 不建議開啟 Automatic Mixed Precision (AMP) 功能，會導致訓練開始就出現 nan 的錯誤。

預測

會讀取 data 資料夾中的檔案，預測完的結果會放在根目錄中。

• predict_dan_kyu.py: 預測 dan 和 kyu
• predict_play_style.py: 預測棋風辨識

註:

• 程式內的模型為測試後的最佳模型，可以修改程式中的模型架構。
• 確認 data/*/test 資料夾中是否有測試資料，可以透過 src/data 資料夾中的程式生成。
• 預測 dan 或 kyu 時，可以修改 A 參數，決定要預測的是 public 或 private 測試資料。
• 預測 dan 或 kyu 時，可以修改 B 參數，決定要預測的是 dan 或 kyu。
• 預測 dan 或 kyu 時，可以修改 MODEL 參數，決定載入的模型。
• 預測棋風辨識時，可以修改 A 參數，決定要預測的是 public 或 private 測試資料。
• 預測棋風辨識時，可以修改 MODEL 參數，決定載入的模型。

模型權重

• weights/dan: dan 模型權重
• weights/kyu: kyu 模型權重
• weights/play_style: 棋風辨識模型權重

註:

• 模型架構可以參考 src/model 資料夾中的程式。
• 載入棋風辨識模型時，要先將模型放置在 DataParallel 中，再載入權重。

kyu

id	Pre-Activation Policy Head	Loss Function	Depth	Main Channels	訓練集	Public Top1	Public Top5	Public 加權	Private
A	N	Cross-Entropy	5	192	10M	0.565873	0.861640	0.22763225	X
B	N	Focal Loss	5	192	20M	0.568519	0.863404	0.22847015	X
C	N	Cross-Entropy	5	192	20M	0.574074	0.865168	0.23003530	1
D	N	Cross-Entropy	7	192	10M	0.568342	0.863051	0.22839060	X
E	N	Cross-Entropy	7	192	20M	0.571958	0.863757	0.22936520	2
F	Y	Cross-Entropy	5	192	10M	0.571693	0.861552	0.22907845	4
G	Y	Cross-Entropy	5	192	20M	0.575661	0.862257	0.23014095	3

dan

id	Pre-Activation Policy Head	Loss Function	Depth	Main Channels	訓練集	Public Top1	Public Top5	Public 加權	Private
A	N	Cross-Entropy	5	192	10M	0.554	0.862273	0.22472730	X
B	N	Focal Loss	5	192	20M	0.563545	0.867909	0.22767715	3
C	N	Cross-Entropy	5	192	20M	0.559091	0.865727	0.22634545	X
D	N	Focal Loss	7	192	10M	0.558273	0.867182	0.22628645	X
E	N	Focal Loss	7	192	20M	0.562	0.869818	0.22748180	2
F	Y	Focal Loss	5	192	10M	0.557909	0.865182	0.22599545	4
G	Y	Focal Loss	5	192	20M	0.567909	0.869545	0.22893175	1

棋風辨識

id	Pre-Activation Policy Head	Depth	Main Channels	Public	Private
A	N	5	192	0.809224	4
B	N	7	192	0.793617	X
C	Y	5	192	0.812225	3
D	Y	5	192	0.815926	2
E	Y	5	256	0.82593	1