探索ルーチンの学習が行き詰まり気味なので、気分転換も兼ねてExperience Replayを実装。 どういう手法かというと、過去の局面・指し手・報酬を全て記録しておき、その中からランダムサンプリングしたものを使ってパラメータ修正を行うというもの。 どうも、…