PhoenixGo 是腾讯微信翻译团队开发的人工智能围棋程序，旨在学习人工智能前沿技术。从 1 月底开始，PhoenixGo 以 BensonDarr（昵称「金毛」）的名义在腾讯野狐围棋平台上和全球顶尖职业棋手、围棋爱好者及各路围棋 AI 对弈，在 4 月底取得了 200 多连胜，并在福州 2018 人工智能围棋大赛上夺冠，引起了行业内广泛关注。
一个好的围棋 AI，需要算法、工程实现、计算资源三者结合。目前围棋 AI 已经有了优秀的公开算法，但同时拥有良好工程实现和大量计算资源，并不是一件容易的事。
为了让行业内其他研究者可以在此基础上继续探索围棋 AI 的奥秘，帮助棋手更方便地研究围棋 AI 的棋路，也为了众多围棋爱好者在家用普通电脑上可以享受和职业九段交锋的乐趣，微信团队决定对外开源 PhoenixGo 对弈源码和训练模型。
经过了一周多时间的筹备，PhoenixGo 目前正式开源了对弈源码和一个 20 block 的模型。这份源码和模型可以在单块 GPU 上提供强职业棋手的棋力，在单机多卡和多机多卡的系统上具有远超人类棋手的水平。PhoenixGo 在野狐围棋平台上的账号「金毛测试」，运行于 1 块性能与 GTX 1080 Ti 性能接近的 Tesla P40 上，对人类棋手具有非常高的胜率。
腾讯微信团队表示，希望 PhoenixGo 的开源能为 AI 领域发展再添助力。
GitHub 地址：https://github.com/Tencent/PhoenixGo
PhoenixGo是一个围棋AI程序，它执行AlphaGo Zero论文“掌握无人知识的Go游戏”。它也被称为FoxGo中的“BensonDarr”，CGOS中的“cronus”。在中国福州举办的“World AI Go Tournament 2018”中，来自微信团队的人工智能围棋程序PhoenixGo获得了冠军。
如果您在项目中使用PhoenixGo，请在您的自述文件中提及。
如果您在研究中使用PhoenixGo，请考虑引用库：
@misc{PhoenixGo2018, author = {Qinsong Zeng and Jianchang Zhang and Zhanpeng Zeng and Yongsheng Li and Ming Chen and Sifan Liu} title = {PhoenixGo}, year = {2018}, journal = {GitHub repository}, howpublished = {\url{
https://github.com/Tencent/PhoenixGo }}}
建立和运行 在Linux上
要求
支持C++11的GCC
建立
$ git clone
https://github.com/Tencent/PhoenixGo.git $ cd PhoenixGo$ ./configure
./configure 会询问CUDA和TensorRT的安装位置，如果需要请指定它们。
然后用bazel建立：
$ bazel build //mcts:mcts_main
诸如Tensorflow之类的将自动下载。此命令可能需要很长时间。
运行
下载并提取经过训练的网络：
$ wget
https://github.com/Tencent/Phoen ... twork-20b-v1.tar.gz $ tar xvzf trained-network-20b-v1.tar.gz
使用配置文件以gtp模式运行（取决于GPU的数量和是否使用TensorRT）：
$ bazel-bin/mcts/mcts_main --config_path=etc/{config} --gtp --logtostderr --v=1
该引擎支持GTP协议，这意味着它可以用于具有GTP功能的GUI，如Sabaki。
–logtostderr让mcts_main日志消息到stderr，如果你想登录到文件，–logtostderr改为–log_dir={log_dir}
你可以在＃configure-guide之后修改你的配置文件。
分配模式
PhoenixGo支持与分配式工作人员一起运行，如果在不同机器上有GPU的话。
建立分配者：
$ bazel build //dist:dist_zero_model_server
dist_zero_model_server在分布式工作器上运行，每个GPU运行一个。
$ CUDA_VISIBLE_DEVICES={gpu} bazel-bin/dist/dist_zero_model_server --server_address="0.0.0.0:{port}" --logtostderr
ip:port在配置文件中填充工作人员（etc/mcts_dist.conf是32位工作人员的示例配置），然后运行分布式主服务器：
$ bazel-bin/mcts/mcts_main --config_path=etc/{config} --gtp --logtostderr --v=1
在macOS上 注意：自1.2.0起，Tensorflow停止在macOS上提供GPU支持，因此您只能在macOS中的CPU上运行。
要求和建设
与Linux相同
运行
添加libtensorflow_framework.so到LD_LIBRARY_PATH第一个：
$ export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:{project_root}/bazel-bin/external/org_tensorflow/tensorflow"
其余步骤应与Linux相同。
在Windows上 这项工作正在进行。
配置指南 以下是配置文件中的一些重要选项：
num_eval_threads：应该等于GPU的数量 num_search_threads：应该大于 num_eval_threads * eval_batch_size timeout_ms_per_step：每一步移动将花费多少时间 max_simulations_per_step：每次移动会做多少次模拟 gpu_list：使用哪个GPU，用逗号分隔 model_config -> train_dir：存储经过培训的网络的目录 model_config -> checkpoint_path：使用哪个检查点，train_dir/checkpoint如果没有设置，则从中获取 model_config -> enable_tensorrt：使用TensorRT或不使用 model_config -> tensorrt_model_path：如果使用哪个TensorRT模型 enable_tensorrt max_search_tree_size：树节点的最大数量，改变它取决于内存大小 max_children_per_node：每个节点的最大孩子数量，取决于内存大小 enable_background_search：思考对手的时间 early_stop：timeout_ms_per_step如果结果不会再改变，则genmove可能会返回 unstable_overtime：timeout_ms_per_step * time_factor如果结果仍然不稳定，请多考虑一下 behind_overtime：timeout_ms_per_step * time_factor如果胜利率小于，就多想想act_threshold 分配模式的选项：
enable_dist：启用分配模式 dist_svr_addrs：ip:port分布式工人，多行，ip:port每行一行 dist_config -> timeout_ms：RPC超时 异步分配模式的选项：
异步模式用于有大量分布式工作人员（超过200人），这需要太多的eval线程和同步模式下的搜索线程。etc/mcts_async_dist.conf是256名工作人员的示例配置。
enable_async：启用异步模式 enable_dist：启用分配模式 dist_svr_addrs：多行，ip:port每行的逗号分隔列表 num_eval_threads：应该等于dist_svr_addrs行数 eval_task_queue_size：取决于分销人员的数量 num_search_threads：取决于分销人员的数量 mcts/mcts_config.proto获取更多配置选项。
命令行选项
mcts_main 接受来自命令行的选项：
--config_path：配置文件的路径 --gtp：作为GTP引擎运行，如果禁用，则仅下一步移动 --init_moves：在棋盘上进行初始移动 --gpu_list：gpu_list在配置文件中覆盖 --listen_port：使用--gtpTCP协议在端口上运行gtp引擎 --allow_ip：使用--listen_port，允许连接的客户端IP列表 --fork_per_request：使用--listen_port，为每个请求分配或不分配 Glog选项也受支持：
--logtostderr：将消息记录到stderr --log_dir：登录到此目录中的文件 --minloglevel：日志级别，0 – INFO，1 – 警告，2 – 错误 --v：详细日志，--v=1用于打开某些调试日志，--v=0关闭 mcts_main --help 获取更多命令行选项。
附件下载：
|免责声明|依星源码资源网
( 鲁ICP备2021043233号-3 )|网站地图
发表于 2020-12-5 15:34:15
扫码关注微信公众号，及时获取最新资源信息！【