KataGo

KataGo是由David J. Wu（lightvector）所研究並開發的一套圍棋軟體。

KataGo

原作者	David J. Wu[1]
開發者	David J. Wu
首次發布	2019年2月27日，​5年前​（2019-02-27）[2]
目前版本	1.15.3（2024年8月6日；穩定版本）[3]
原始碼庫	github.com/lightvector/KataGo
程式語言	C++、Python
類型	電腦圍棋
許可協定	MIT許可證
網站	github.com/lightvector/KataGo

KataGo Server

原作者	David J. Wu and Tycho Tatitscheff[4]
開發者	David J. Wu and Tycho Tatitscheff
首次發布	2020年11月8日，​4年前​（2020-11-08）[5]
原始碼庫	github.com/katago/katago-server
程式語言	Python
類型	電腦圍棋
許可協定	MIT許可證
網站	katagotraining.org

簡介

參見：AlphaGo Zero和AlphaZero

KataGo是David J. Wu依照DeepMind的AlphaGo Zero與AlphaZero論文為基礎^[6]，以及許多在DeepMind論文之後的相關研究及原創的研究，大幅改善了訓練速度（超過50倍^[7]:1）^[1]，也因此搭配所釋出訓練網路資料，成為目前世界上最強的電腦圍棋軟體之一。

KataGo所實做的電腦圍棋程式包括了^[1]：

• 自我對弈訓練的程式（使用C++、Python 3與TensorFlow實做）
• 可以透過軟體操作的GTP引擎（使用C++實做）

另外由Jane Street Capital（英語：Jane Street Capital）（作者所在的公司）提供運算所需資源外，也公開釋出訓練的成果（訓練網路資料）^[1]。

KataGo因豐富的分析能力，被用在圍棋線上分析網站AI Sensei作為預設的分析引擎^[8]。

「KataGo」這個名字來源於日語單詞「かた (kata)」（類型）^[9]。目前，即使在英語中，武道的形式也被稱為「kata」。作者 lightvector (David J. Wu) 表示，它作為一個通過強化學習永久訓練自己並旨在完成自己的形式的人工智慧的名稱似乎是合理的。

差異

AlphaZero

參見：AlphaZero

除了開放原始碼與開放資料以外，KataGo與AlphaZero主要差異在於透過研究大幅降低了初期自我訓練的成本^[7]，使得一般家用的高階電腦可以在數天內，從零訓練出一個具有中高段水準的業餘高手水準的訓練網路^[1]。

Leela Zero

參見：Leela Zero

KataGo與Leela Zero的主要差異在於，KataGo的GTP引擎支援了kata-analyze指令，可以讓前端的程式（像是Lizzie）取得KataGo的目數分析，這可以輔助人類棋手判斷，減輕讓子棋中黑棋不會下出最好的選擇的問題^[1]。

另外一個差異是KataGo同時支援OpenCL（自v1.2支援^[10]）與CUDA^[1]（在OpenCL上，最新版本做了優化，不再是CUDA版本快數倍，而是兩個版本相差無幾），但Leela Zero只支援OpenCL^[11]。

強度

第一個版本

第一個版本（編號g65，v1.0）是在2019年二月使用35顆NVIDIA Tesla V100訓練7天，從6 blocks x 96 filters訓練到15 blocks x 192 filters^[12]，棋力大約與LZ130（Leela Zero的第130代）相符^[13]，大約是超越人類的強度^[1]。

權重代號	版本	註解	訓練長度（天）	Elo
b6c96-s103408384-d26419149	v1.0	6x96權重	-	-
b10c128-s101899520-d60734663		10x128權重	-	-
b15c192-s279618816-d164990022		15x192權重	-	-

第二個版本

第二個版本（編號g104，v1.1）是在2019年五月與六月使用28顆NVIDIA Tesla V100訓練，從6 blocks x 96 filters訓練到20 blocks x 256 filters^[14]，由於大幅改善了超參數（hyperparameters），只使用了3.5天就超越第一版的棋力^[1][15]，另外引入了LCB（英語：Lower confidence bound）大幅提昇了棋力^[15]。最後訓練了19天產生出20 blocks的版本，棋力超越了LZ-ELFv2（ELF OpenGo的v2權重配上Leela Zero的程式），另外與Leela Zero 40 blocks版本的比較，大約落在LZ200的棋力^[1]。

權重代號	版本	註解	訓練長度（天）	Elo
g104-b6c96-s97778688-d23397744	v1.1	最後一個6x96權重	0.75	-1146
g104-b10c128-s110887936-d54937276		最後一個10x128權重	1.75	-476
g104-b15c192-s297383936-d140330251		最後一個15x192權重	7.5	327
g104-b20c256-s447913472-d241840887		最後一個20x256權重	19	908

第三個版本

第三個版本的訓練一開始使用29個GPU，到第14天後增加為37個GPU，再24天後（38天）增加為47個GPU^[1]。

自v1.5.0^[16]開始支援純CPU運算（使用Eigen（英語：Eigen (C++ library)）函式庫）。並自v1.8.0版開始支援分散式訓練，允許全球的使用者一起訓練權重。

權重代號	版本	註解	訓練長度（天）	Elo
g170-b6c96-s175395328-d26788732		最後一個6x96的權重	0.75	-1184
g170-b10c128-s197428736-d67404019		最後一個10x128的權重	1.75	-280
g170e-b10c128-s1141046784-d204142634	v1.3	延伸再訓練10x128的權重	-	300
g170-b20c256x2-s668214784-d222255714		20x256的權重	15.5	959
g170-b15c192-s497233664-d149638345		15x192的權重	7.5	512
g170-b20c256x2-s1039565568-d285739972	v1.3.1	20x256的權重	21.5	1073
g170e-b15c192-s1305382144-d335919935	v1.3.1-nets	延伸訓練15x192的權重	-	867
g170-b20c256x2-s1420141824-d350969033		20x256的權重	27.5	1176
g170e-b15c192-s1672170752-d466197061	v1.3.2	延伸訓練15x192的權重	-	935
g170-b20c256x2-s1913382912-d435450331		20x256的權重	35.5	1269
g170-b20c256x2-s2107843328-d468617949		20x256的權重	38.5	1293
g170e-b20c256x2-s2430231552-d525879064	v1.3.3	20x256的權重	47.5	1346
g170-b30c320x2-s1287828224-d525929064		30x320的權重	47.5	1412
g170-b40c256x2-s1349368064-d524332537		40x256的權重	47	1406
g170e-b20c256x2-s2971705856-d633407024	v1.3.3-nets	20x256的權重	64.5	1413
g170-b30c320x2-s1840604672-d633482024		30x320的權重		1524
g170-b40c256x2-s1929311744-d633132024		40x256的權重		1510
g170e-b20c256x2-s3354994176-d716845198	v1.3.4	20x256的權重	78	1455
g170-b30c320x2-s2271129088-d716970897		30x320的權重		1551
g170-b40c256x2-s2383550464-d716628997		40x256的權重		1554
g170e-b20c256x2-s3761649408-d809581368	v1.3.5-nets	20x256的權重	92	1513
g170-b30c320x2-s2846858752-d829865719		30x320的權重	96	1619
g170-b40c256x2-s2990766336-d830712531		40x256的權重		1613
g170e-b20c256x2-s4384473088-d968438914	v1.4.0	20x256的權重	117	1529
g170-b30c320x2-s3530176512-d968463914		30x320的權重		1643
g170-b40c256x2-s3708042240-d967973220		40x256的權重		1687
g170e-b20c256x2-s4667204096-d1045479207		20x256的權重（實驗性）	129	1561
g170-b30c320x2-s3910534144-d1045712926		30x320的權重（實驗性）		1651
g170-b40c256x2-s4120339456-d1045882697		40x256的權重（實驗性）		1698
g170e-b20c256x2-s4842585088-d1091433838		20x256的權重（實驗性）	136.5	1547
g170-b30c320x2-s4141693952-d1091071549		30x320的權重（實驗性）		1653
g170-b40c256x2-s4368856832-d1091190099		40x256的權重（實驗性）		1680
g170e-b20c256x2-s5055114240-d1149032340	v1.4.2-nets	20x256的權重（實驗性[註 1]）	145.5	1539
g170-b30c320x2-s4432082944-d1149895217		30x320的權重（實驗性[註 1]）		1648
g170-b40c256x2-s4679779328-d1149909226		40x256的權重（實驗性[註 1]）		1690
g170e-b20c256x2-s5132547840-d1177695086		20x256的權重	150	1577
g170-b30c320x2-s4574191104-d1178681586		30x320的權重		1759
g170-b40c256x2-s4833666560-d1179059206		40x256的權重		1788
g170e-b20c256x2-s5303129600-d1228401921	v1.4.5	20x256的權重	157	1645
g170-b30c320x2-s4824661760-d1229536699		30x320的權重		1908
g170-b40c256x2-s5095420928-d1229425124		40x256的權重		1919

相關連結

• AlphaGo Zero
• AlphaZero
• SAI，修改自Leela Zero，支援動態貼目的圍棋軟體。
• 電腦圍棋
• 圍棋軟體

參考資料

1. lightvector. GTP engine and self-play learning in Go. GitHub. lightvector/KataGo. [2020-01-01]. （原始內容存檔於2021-01-14） （英語）.
2. lightvector. TensorRT Backend, Many Minor Improvements. GitHub. lightvector/KataGo. [2020-01-01]. （原始內容存檔於2021-01-26） （英語）.
3. Release 1.15.3. 2024年8月6日 [2024年8月22日].
4. lightvector. katago/katago-server. GitHub. [2021-01-14]. （原始內容存檔於2020-11-19）.
5. lightvector. v0.1. GitHub. katago/katago-server. 2020-11-08 [2021-01-14]. （原始內容存檔於2020-11-19） （英語）.
6. David Wu. Accelerating Self-Play Learning in Go. TECH BLOG. Jane Street. 2019-02-28 [2020-01-01]. （原始內容存檔於2020-11-07） （英語）.
7. David J. Wu. Accelerating Self-Play Learning in Go. 2020-11-09. arXiv:1902.10565v4  [cs.LG]. 引文使用過時參數version (幫助)
8. bsteuber. Analyze with a fixed visit number?. GitHub. lightvector/KataGo. 2019-12-19 [2022-01-09]. （原始內容存檔於2020-10-30） （英語）.
9. lightvector. The Name of KataGo. GitHub. lightvector/KataGo. 2020-08-27 [2022-01-09]. （原始內容存檔於2022-01-09） （英語）.
10. lightvector. OpenCL, Windows Support, other features and fixes. GitHub. lightvector/KataGo. 2019-07-21 [2020-05-12]. （原始內容存檔於2020-10-30） （英語）.
11. MaxVanDijck. Go engine with no human-provided knowledge, modeled after the AlphaGo Zero paper.. GitHub. leela-zero/leela-zero. [2020-01-02]. （原始內容存檔於2021-01-06） （英語）.
12. katago-public/g65/models. [2020-01-01]. （原始內容存檔於2020-01-01）.
13. lightvector. Initial release. GitHub. lightvector/KataGo. 2019-02-27 [2020-01-14]. （原始內容存檔於2020-10-30） （英語）.
14. katago-public/g104/models. [2020-01-01]. （原始內容存檔於2020-01-01）.
15. lightvector. Strong Neural Net, LCB, and many bugfixes. GitHub. lightvector/KataGo. 2019-06-18 [2020-01-14]. （原始內容存檔於2020-10-30） （英語）.
16. lightvector. OpenCL FP16 Tensor Core Support. GitHub. lightvector/KataGo. 2020-08-03 [2020-08-26]. （原始內容存檔於2020-10-30） （英語）.
17. lightvector. Experimental Neural Nets. GitHub. lightvector/KataGo. 2020-06-06 [2020-06-07]. （原始內容存檔於2020-10-30） （英語）.

註解

1. 實驗性質，加入了人類的棋譜，未必會比v1.4.0所提供的網路強。^[17]

外部連結

• 官方網站 （英文）
• 分散式訓練網站 （英文）
• katago-public （頁面存檔備份，存於網際網路檔案館），訓練的資料與訓練出來的網路。
• Accelerating Self-Play Learning in Go （頁面存檔備份，存於網際網路檔案館），KataGo研究所寫下的論文。