用一個(gè) 13 層的 CNN，直接從人類棋步中訓(xùn)練一個(gè)監(jiān)督學(xué)習(xí)策略網(wǎng)絡(luò) Pσ。輸入為 48 x 19 x 19 的圖像（比方說(shuō)，它的組成棋子顏色 是 3 x 19 x 19），輸出是使用 softmax 層預(yù)測(cè)的全部落子的概率。精確度是 55.7%。

訓(xùn)練一個(gè)能在運(yùn)行時(shí)快速取樣 action 的快速策略 Pπ。這會(huì)用一個(gè)基于小型模式特征的線性 softmax。精確度是 24.2%，但它計(jì)算一次落子只用 2 微秒，而不像 Pσ 需要 3 毫秒。

訓(xùn)練一個(gè)增強(qiáng)學(xué)習(xí)策略網(wǎng)絡(luò) Pρ ，通過(guò)優(yōu)化博弈結(jié)果來(lái)進(jìn)一步提升監(jiān)督策略網(wǎng)絡(luò)。這把策略網(wǎng)絡(luò)向贏棋優(yōu)化，而不是優(yōu)化預(yù)測(cè)精確度。本質(zhì)上，Pρ 與 Pσ 的結(jié)構(gòu)是一樣的。它們的權(quán)重使用相同值 ρ=σ 初始化。對(duì)弈的兩個(gè)選手，是當(dāng)前策略網(wǎng)絡(luò) Pρ 和隨機(jī)（防止過(guò)擬合）選擇的此前的策略網(wǎng)絡(luò)迭代。

訓(xùn)練一個(gè)價(jià)值網(wǎng)絡(luò)（value network）Vθ，來(lái)預(yù)測(cè)強(qiáng)化學(xué)習(xí)策略網(wǎng)絡(luò)自己和自己下棋的贏家。該網(wǎng)絡(luò)的架構(gòu)和策略網(wǎng)絡(luò)類似，但多出一個(gè)特征平面（當(dāng)前玩家的顏色），并且輸出變成了單一預(yù)測(cè)（回歸，均方差損失）。根據(jù)完整棋局來(lái)預(yù)測(cè)對(duì)弈結(jié)果，很容易導(dǎo)致過(guò)擬合。這是由于連續(xù)落子位置之間高度相關(guān)，只有一子之差。因此，這里使用了強(qiáng)化學(xué)習(xí)策略網(wǎng)絡(luò)自己與自己對(duì)弈新生成的數(shù)據(jù)。該數(shù)據(jù)從包含 3000 萬(wàn)個(gè)不同位置的獨(dú)立棋局中抽取。

把策略網(wǎng)絡(luò)、價(jià)值網(wǎng)絡(luò)、快速策略和蒙特卡洛樹搜索結(jié)合起來(lái)。一個(gè)標(biāo)準(zhǔn)的蒙特卡洛樹搜索過(guò)程包含四步：選擇、擴(kuò)展、評(píng)估、備份。為了讓大家更容易理解，我們只粗略講了講它如何在模擬中選擇狀態(tài)的部分（如對(duì)數(shù)學(xué)感興趣，請(qǐng)到原始論文中找公式）。