Deep learning 卷积网络在AlphaGo中是如何使用的？

如果我正确理解围棋，有一个19x19的棋盘。在AlphaGo Nature的论文中，它提到了卷积网络。我对卷积网络的理解是图像识别的例子。那么卷积网络如何应用于这个问题呢？将电路板转换为19x19图像不是一种过分的做法吗？

Go受模式的影响很大，正如您在图像分类中可能注意到的那样，卷积网络擅长于这些

如果你问把围棋板改成19*19的图像是不是太过分了，我必须承认我没有尝试过用0表示黑石，0.5表示无石，1表示白石来创建一个图像，并用它来训练一个网络，但我很肯定它会在一定程度上起作用

事情比这更极端！19*19围棋板转换为19*19*48输入张量。（作为rgb图像，它将仅为19*19*3） 一架黑石飞机 一架白色石头的飞机 空辫子一架 以及45个其他平面，这些平面编码了一些有助于网络了解的值。（比如，自由，雅达利，搬家后的自由，这些都在报纸上，但你必须多了解一点才能理解它们）

这是不是太过分了，绝对不是！卷积网络擅长识别模式，但需要正确的信息。例如，该网络不可能检测到，因为不可能在使用的13个卷积层内从电路板的一侧到另一侧再返回该信息，因此48个输入平面中的一些用于告诉网络某个移动是阶梯捕捉还是阶梯逃逸移动