iT邦幫忙

2024 iThome 鐵人賽

DAY 16
0

即使疼痛也要盡力觀察,不,愈是疼痛愈要敏銳觀察。失誤不是偶然的,出現失誤是因為我心裡有輕率和不成熟。如果不承認、改正錯誤,就會永遠像孩子般不成熟地活著。

-- <突圍思考>,曹薰鉉著,盧鴻金譯

回顧昨日點出來的兩大障礙:

  • self.state.is_done()is_lose():判斷局面是否已經結束、是否輸了。這個,在遊戲系統的架構下,你代理人就儘管下棋,你輸了我會告訴你。所以這個用法,相當於蒙地卡羅三條件之一的判斷,實作起來也不太直接。
  • self.state.next(action):只要帶入 action,就能夠使用 next 方法取得下一個遊戲盤面。這和我以遊戲系統為主的架構大不相同!我必須要從客戶端傳送行動給予伺服器,交由它判定之後,才能夠得知下一個遊戲盤面是什麼。換言之,意義非常不同,next 是代理人自己推算後續盤面,但是我這裡,在代理人沒有概念遊戲會怎麼變化的情況,它相當於是只能和遊戲系統互動,然後真實地造成了遊戲狀態的改變,而沒有純粹自己推算這種功能。

先描述 is_doneis_lose 吧。同第十天所述,狀態碼得到 Ix04 或是 Ix05 的時候,就知道遊戲結束了。可是,如果把模擬中的遊戲終局當作遊戲終局,那也真的就結束了,弄假成真,模擬一次就沒了。這個部份在遊戲系統、伺服器端、以及代理人端都有相對應的調整。先描述與終局相關的部份的話,是我新增了 Ix09 當作模擬進行中,敵方獲勝,而 Ix0a 當作模擬進行中,我方獲勝。這麼一來,就可以讓代理人有辦法好好統計結果並且更新節點。

這兩個模擬終局狀態碼,完全沒有被安插在遊戲系統中

$ grep Ix09 -R ./src/

這是一片空白。不過當然,我還是有放在 status_code.rs 裡面:

...
        10 => return "SIM_MYSELF_WIN",
        9 => return "SIM_OPPONENT_WIN",
...

但是因為沒有人在使用這個解析狀態碼的函數,這裡也就相當一個靜態的文件。實質上,負責與代理人以這兩個模擬終局碼互動的是遊戲伺服器,就位在先前也節錄過幾次的 handle_client 函數裡面,

    // old camp: This is important information.
    // Previously we make the variable `possible_change` for accomodating
    // the shift of actions (and of course, game steps). Unfortunately,
    // we didn't consider that camp can also shift across turns.
    // With `oc` here, we can always compared the current camp, and thus
    // determine the status code without maintaining the impossible
    // state machine.
    let oc = g.turn;
    'simulation: loop {
        // A state machine for RL support mode
        // This way, when an "Ix02"/"Ix00" is encounted,
        // this agent keeps occupying the server by staying
        // in this loop, but use a different initial code to
        // indicate the situation.
        let es = if g.savepoint {
            if g.is_ended() {
                if oc != g.turn {
                    // simulated myself's win
                    "Ix0a"
                } else {
                    // simulated opponent's win
                    "Ix09"
                }
            } else {
...

註解的內容有點劇透,不過也沒有關係。總之,在這個模擬主迴圈('simulation)開始之前,就會紀錄當前盤面該誰下的資訊在 oc 裡面。這個在之後供對照。進入迴圈之後,es 是歷史上我一直有一個空白狀態碼(Empty Status code)用來和重新開始每一個標準回合的代理人打招呼,但是這裡賦予了新的意義,當然,就造成了應當重新命名變數但未命名的現象。無論如何,如果現在遊戲處在模擬的狀態(也就是,在先前的某個時刻,代理人執行了 SAVE,然後它設定的模擬次數還沒達成),而且,遊戲結束了(g.is_ended(),直接呼叫遊戲引擎判定),再而且當前回合(g.turn)不是先前紀錄的自己的回合,那麼就將這個狀態碼設定成 Ix0a,代表自己勝利;因為遊戲系統的實作是,實行一個標準回合之後,棋局將輪到對手進行;既然這裡是剛結束,又是對手的回合,那就表示是先前的那個標準回合的勝利,也就是自己的勝利。反之,就是對手的勝利,Ix09

代理人(初次登場的 examples/coord_clients/reinforcement_simulator.py)針對這兩個動作,

        elif data[0:4] in (b'Ix09', b'Ix0a'):
            self.num_trials = self.num_trials - 1
            if self.num_trials <= 0:
                self.action = CLEAR
                self.simulation = False
            else:
                self.action = RETURN
...
        self.update(-1 if data[0:4] == b'Ix09' else 1)

就會執行昨日我們看到過的、伺服器的 reset 函數的這兩組觸發條件。碰到一個模擬的終局條件,算是完成了一次嘗試(num_trial)。

這還算是簡單的。但另外一個困難的是 next 的完整效果。這個模擬下個盤面的功能,可不是只針對自己而已,它必須是能夠具備規則知識的遊戲基礎引擎。以圍棋或是井字遊戲為例,它理所當然的要去操作對手的棋步,否則總不能每次都模擬自己就無以為繼。疫途遊戲雖然在一個標準回合中必須產生多重連續著點,但也終究會走到對手的回合,屆時的調整是,對手的盤面的價值越好,對我們來說就越糟,反之亦然,所以需要操作一個負號。因此,這裡我也新增了有別於 Ix03 (回合起始)的狀態碼,Ix07Ix08,分別代表敵手的模擬回合(而不會觸發遊戲伺服器轉頭去與另外一位代理人對話),以及自己的模擬回合。這接在前述遊戲伺服器的片段之後,

        let es = if g.savepoint {
            if g.is_ended() {
...
            } else { // 如果還沒結束的話
                if oc != g.turn {
                    // simulated opponent's turn
                    "Ix07"
                } else {
                    // simulated myself's turn
                    "Ix08"
                }
            }
        } else { // 如果並非模擬的一個標準回合的起始
            "Ix03"
        };

        if stream.update_agent(g, &ea, &es) == false {
            return false;
        }

在代理人端,這個值會影響到前述的價值的正負號,

        elif data[0:4] in (b'Ix01', b'Ix03', b'Ix07', b'Ix08'):
            if data[0:4] in (b'Ix07'):
                self.is_me = False
            elif data[0:4] in (b'Ix03', b'Ix08'):
                self.is_me = True
...

is_me 在後續的 update 過程中扮演著重要的角色,

    def update(self, result):
        coef = 1.0 if self.current_node.is_me else -1.0
        w = 0
        if result == 0:
            state = np.frombuffer(self.current_node.state[4:], dtype=np.uint8)
            state = torch.from_numpy(np.copy(state)).float().unsqueeze(0).to(self.device)
            _, _, w = self.model(state)
        else:
            w = result
        w = float(w) * coef
        self.current_node.update(w)

result == 0 的時候,是表示並非終局,而是觸發「該節點尚未展開子節點」的條件,但不確定真正的回饋值,所以是進到這個更新函數,由第一個區塊使用 self.model 進行推論;反之,則看是勝或負的狀況,傳入此時的勝負值。

上述的兩個關鍵功能就能完成將蒙地卡羅移植到這個系統上的工作,但我再補充描述一下兩個參數:

  • TRIAL:就是模擬幾次(探索了整個展開的遊戲樹、碰觸到幾次折返點)的意思。
  • DELAY:延遲啟動模擬。如果是 0 的話,就表示初手就會開始模擬;如果是任何大於 0 的值,就代表會等到那樣的手數過後,才開始模擬,在那之前則隨機下。

目前狀況

訓練

昨天提到模擬太耗時,給各位讀者一點概念,這是驗證第十九代的時間:

  • 生成 40 組布局設置。後續的每組對戰組合裡面,每個設置會被遊玩 5 次,共 200 局的對局數。這小於 10 秒可以生成完畢。
  • 使用斷線方法的高速隨機對戰兩百局,這是實驗的基準點,可以看到一組設置是醫療方好下還是疫病方。這一分鐘內可以完成。
  • 兩個代理人對決,每一手算 10 次。這需要接近三個小時。平均一局大概需要 50 秒。
  • 代理人對決隨機,每一手算 10 次。一個半小時左右,也算合理,畢竟只有一個模型推論需要耗時。平均一局大概 30 秒。

而模擬對局的話,需要收集每一個著手的子節點探索分佈,以及最後的勝負,通常會掛著一個晚上來收集。

目前又遭遇到的意料之外的展開,先上圖,明天再在月光下慢慢探究...

https://ithelp.ithome.com.tw/upload/images/20240916/20103524gimW2WpbAX.png

之後的主題的進度

也再盤點了一下主題,看來,實作可遊玩網頁介面需要比我想像中投入更多工夫才行,要是不趕快進行,恐怕到時候會沒有東西可以玩。況且,我還希望可以連同 Windows 環境一起打通,這樣才方便分享給其他朋友,但是 Windows 上的 Rust + Web,又是另外一個挑戰了。

無論如何,這樣看起來應該可以剛好是最後三、四天當作附錄收尾的狀態。


上一篇
導入蒙地卡羅樹搜尋 2/3
下一篇
模擬--訓練的工作流程
系列文
DeltaPathogen:國產雙人不對稱抽象棋「疫途」之桌遊 AI 實戰30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言