알파고의 주요 작동 원리는' 심도 있는 학습' 이다. 심화 학습' 이란 여러 층이 있는 인공신경망과 이를 훈련시키는 방법을 말한다. 한 층의 신경 네트워크는 대량의 행렬 수를 입력으로 사용하여 비선형 활성화 방법을 통해 가중치를 얻은 다음 다른 데이터 세트를 출력으로 생성합니다. 이것은 생물학적 신경 뇌의 작동 메커니즘과 같습니다. 적절한 수의 행렬과 다층조직이 연결되어 신경망' 뇌' 를 형성하여, 사람이 물체를 인식하고 그림을 표시하는 것처럼 정확하고 복잡한 처리를 한다. \ x0d \ x0d \ 는 주로 \x0d\ 1 의 네 부분으로 구성됩니다. PolicyNetwork, 현재 상황에 따라 다음 단계를 예측/샘플링합니다. \x0d\2. Fastrollout, 목표는 1 과 같지만 속도는 1 fast 1000 배 더 빨라서 바둑을 적절히 희생한다. \x0d\3. ValueNetwork, 현재의 상황을 감안하면 백승이나 흑승이 이길 것으로 예상된다. \x0d\4. Mcts (montecalotreesearch) 는 이러한 세 부분을 연결하여 완전한 시스템을 형성합니다. \x0d\\x0d\ AlphaGo 는 두 개의 다른 신경망' 뇌' 의 협력을 통해 바둑 수준을 높이는 것이다. 이 뇌들은 구글 이미지 검색 엔진이 인식하는 뇌와 구조적으로 유사한 다층 신경망이다. 그들은 이미지 분류기 네트워크에서 그림을 처리하는 것처럼 여러 층의 휴리스틱 2D 필터부터 바둑 바둑판의 위치를 처리합니다. 필터링 후 13 완전 연결 신경 네트워크 계층은 보이는 상황을 판단한다. 이러한 계층은 분류 및 논리적 추론을 수행 할 수 있습니다.