結局378-?-183で勝率67.4％、95％信頼区間は63.3〜71.2になりました。 勝率が7割超えなかったのは残念ですが、そこそこ強くはなってますね。 んじゃ次は方策勾配法・全幅深さ2手のパラメータで一晩やってみますか。対局数がまだ2万6千局なんで、多分弱いとは…

昨夜から方策勾配法・全幅深さ1手で17万局程学習させたやつ。 現在ssp（5五将棋モード）相手に71-?-22で勝率76.3％。95％信頼区間は66.4〜84.5なので、全幅0手より確実に強いですね。 運良く強いパラメータの時に学習を打ち切ったせいかもしれませんが、ここ…

方策勾配法・全幅深さ0で65万局程学習させたバージョン。 283-?-280で勝率50.3％、95％信頼区間は46.1〜54.5。 TDLeaf(λ)で全幅深さ0よりは強いですが、まだまだって感じですね。