알파 바둑 (AlphaGo) 의 주요 작동 원리는' 심도 있는 학습' 이다. 심화 학습은 많은 \x0d\\x0d\ 레이어의 인공 신경망과 이를 훈련시키는 방법을 말합니다. 한 층의 신경 네트워크는 대량의 행렬 숫자를 입력으로 사용하여 비선형 활성화 방법을 통해 가중치를 취하고 또 다른 데이터 집합을 출력으로 생성합니다. 바이오신경 뇌의 작동 메커니즘과 마찬가지로, 적절한 행렬 수, 다층조직 링크를 통해 신경 네트워크' 뇌' 를 형성하여 정확하고 복잡한 처리를 하는 것은 마치 사람들이 물체를 인식하고 그림을 표시하는 것과 같다. \x0d\\x0d\ 는 주로 네 부분으로 구성됩니다: \x0d\1. 체스 네트워크 (PolicyNetwork), 주어진 현재 상황, 다음 체스 수를 예측/샘플링합니다. \x0d\2. 빠른 걷기 (Fastrollout), 목표는 1 과 같지만 바둑 품질을 적절히 희생할 경우 1 보다 1000 배 빠릅니다. \x0d\3. 가치 평가 네트워크 (ValueNetwork), 주어진 현재 상황, 백승인지 흑승인지 추정. \x0d\4. 몬테카를로 트리 검색 (MCTS) 은 이 세 부분을 연결하여 완전한 시스템을 형성합니다. \x0d\\x0d\ 알파 바둑 (알파 go) 은 두 개의 서로 다른 신경망' 뇌' 협력을 통해 바둑을 개선한다. 이 뇌들은 다층신경망과 구글 이미지 검색 엔진 인식 그림이 구조적으로 비슷하다. 그림 분류기 네트워크가 그림을 처리하는 것처럼 여러 층의 휴리스틱 2D 필터로 시작하여 바둑 바둑판의 위치를 처리합니다. 필터링 후, 13 개의 완전히 연결된 신경 네트워크 계층은 그들이 보는 상황을 판단한다. 이 계층들은 분류와 논리적 추리를 할 수 있다.