Réseau de neurones - Morpion

Bonjour,

J'utilise un réseau de neurones pour un morpion (3x3). J'utilise un vecteur d'entrée correspondant au damier, une couche cachée (de 90 neurones) et une couche de sortie de neuf neurones. Le vecteur de sortie permet d'établir la case à jouer.

Le résultat commence à être satisfaisant (mais il reste encore des erreurs). Peut être en améliorant ou en continuant l'apprentissage, j'arriverai à un résultat correct.

Maintenant, je veux généraliser le jeu avec un damier de taille quelconque (nCol x nLig), un nombre de cases à aligner quelconque et un nombre de joueurs quelconque (>=2). J'ai bien conscience qu'il faut un réseau par type de partie mais pensez-vous qu'un réseau à deux couches peut suffir pour l'apprentissage ? J'ai, pour l'instant, défini le nombre de neurones de la couche cachée comme étant 10 fois le nombre de cases... est-ce correct ? Avez-vous des liens sur ce sujet ?

Merci.

D'ores et déjà, je te conseille de modifier le nombre de neurones de la couche cachée !
Tu as 9 informations d'entrée, 9 en sortie, 90 ça me paraît plutôt énorme :?

Citation:

---

Envoyé par Alp

D'ores et déjà, je te conseille de modifier le nombre de neurones de la couche cachée !
Tu as 9 informations d'entrée, 9 en sortie, 90 ça me paraît plutôt énorme :?

---

Ok, je vais essayer en réduisant le nombre de neurones de la couche cachée. Par contre, comment pourrais-je établir une relation entre ce nombre et le type de partie (taille du damier, nombre de cases à aligner, nombre de joueurs) ?

Perso je tenterais un apprentissage avec un neurone caché par pion. Mais je suis pas formel.

Arff.

Citation:

---

Envoyé par jovalise

Perso je tenterais un apprentissage avec un neurone caché par pion. Mais je suis pas formel.

Arff.

---

Je ne vois pas trop comment ? Il faudrait un nouveau réseau à chaque pion joué, est-ce bien intéressant ?

Je me demande aussi si deux couches (une cachée et une de sortie) suffisent, notamment pour des damiers plus grands ?

Bonjour,

je viens de voir ce post, un peu en retard je l'avoue. Alors si ce n'est pas trop tard, j'ai deux petites remarques.

Il a été montré qu'il est plus performant de faire autant de modèle que de classe lorsque le nombre de classe est supérieur à 2. C'est le principe du contre tous. Donc dans ton cas, neuf classes => neuf modèles. Chaque modèle te donnant la probabilité de jouer dans la case qu'il représente.

Il a aussi été montré que l'on obtient des résultats équivalents en mettant un ou plusieurs couches cachées, donc inutile d'en mettre plus d'une.

En général on choisit une forme pyramidale pour les réseaux de neurones. Il est extrêmement rare d'avoir une autre architecture, surtout avec plus de neurones dans la couche cachée.

J'ai maintenant deux questions :
- comment valides tu tes modèles?
- combien d'individus (données, jeux, etc.) as tu pour réaliser l'apprentissage?

Pourquoi utiliser un réseau de neurone pour une application qui est typiquement le domaine d'une approche minimax/alpha-béta :question:
On a d'ailleurs un tutoriel sur ce sujet :
http://fearyourself.developpez.com/t.../morpion/part6
http://fearyourself.developpez.com/t.../morpion/part7

Mon opinion sur les réseaux de neurones et sur les choix de conception en général: si vous ne savez pas pourquoi ça va marcher alors c'est que ça va être foireux. Ne pensez jamais qu'une solution quelconque va s'adapter à votre problème particulier.

Citation:

---

Envoyé par ToTo13

Bonjour,

je viens de voir ce post, un peu en retard je l'avoue. Alors si ce n'est pas trop tard, j'ai deux petites remarques.

Il a été montré qu'il est plus performant de faire autant de modèle que de classe lorsque le nombre de classe est supérieur à 2. C'est le principe du contre tous. Donc dans ton cas, neuf classes => neuf modèles. Chaque modèle te donnant la probabilité de jouer dans la case qu'il représente.

Il a aussi été montré que l'on obtient des résultats équivalents en mettant un ou plusieurs couches cachées, donc inutile d'en mettre plus d'une.

En général on choisit une forme pyramidale pour les réseaux de neurones. Il est extrêmement rare d'avoir une autre architecture, surtout avec plus de neurones dans la couche cachée.

J'ai maintenant deux questions :
- comment valides tu tes modèles?
- combien d'individus (données, jeux, etc.) as tu pour réaliser l'apprentissage?

---

Bonjour,

Qu'appelles-tu « classe » et « modèle » ? À Chaque case du damier, correspond une entrée du réseau et une sortie (la probabilité de jouer cette case). Par contre, pour chaque type de partie (taille du damier, nombre de cases à aligner et nombre de joueurs) il y a un réseau différent.

Pour l'apprentissage, c'est le un peu le problème. Le réseau est toujours en apprentissage. Je considère que tous les coups joués par un joueur qui gagne sont « bons » et que le dernier coup joué par le perdant est mauvais (puisqu'il aurait dû joué la case qui a fait gagné l'autre joueur). Je pense que ce n'est pas extraordinaire mais bon... on n'obtient pas un résultat parfait pour un damier 3x3 et l'apprentissage ne fonctionne pas vraiment pour un damier plus grand.

Merci

Bonjour,

modèle c'est le réseau que tu construits : modèle de classement.

En fait tu as un problème à neufs classes (une par case du morpion). Et ton/tes modèles doivent te donner une probabilité de jouer dans une case.