Lc0神经网络训练与优化：打造顶尖象棋AI的完整教程

Lc0神经网络训练与优化：打造顶尖象棋AI的完整教程

【免费下载链接】lc0Open source neural network chess engine with GPU acceleration and broad hardware support.项目地址: https://gitcode.com/gh_mirrors/lc/lc0

Lc0是一款基于神经网络的国际象棋引擎，专为通过神经网络下象棋而设计，特别是LeelaChessZero项目的神经网络。它支持GPU加速并具有广泛的硬件支持，是开源社区打造顶尖象棋AI的理想选择。

快速获取Lc0源代码 🚀

获取Lc0的源代码非常简单，你可以通过git克隆或从GitHub下载归档文件。对于几乎所有用途，包括自对弈游戏生成和比赛，我们强烈建议使用最新的release/version分支。

使用git下载：

git clone -b release/0.32 https://gitcode.com/gh_mirrors/lc/lc0

如果你已经克隆了旧版本，可以通过以下命令获取并切换到新分支：

git fetch --all git branch --all git checkout -t remotes/origin/release/0.32

编译和运行Lc0的详细步骤 🔧

编译前的准备工作

编译Lc0需要Meson构建系统和至少一个用于评估神经网络的后端库，以及一些其他库。此外，Lc0需要支持C++20的编译器，经过测试的最低版本包括g++ v10.0、clang v12.0和Visual Studio 2019 version 16.11。

后端支持理论上包括任何与CBLAS兼容的CPU库，但主要使用OpenBLAS或Intel的DNNL。对于GPU，支持以下后端：CUDA（可选cuDNN）、各种onnxruntime版本以及Apple的Metal Performance Shaders。还有针对AMD和Intel GPU的实验性SYCL支持。

Linux系统编译指南

通用步骤

1. 安装后端（也请阅读后面部分的详细说明）：
   • 如果你想使用NVIDIA显卡，请安装CUDA（可选cuDNN）。
   • 如果你想使用AMD或Intel显卡，可以尝试SYCL。
   • 如果你想使用BLAS，请安装OpenBLAS或DNNL。
2. 安装ninja build（ninja-build）、meson和（可选）gtest（libgtest-dev）。
3. 进入lc0/目录
4. 运行./build.sh
5. lc0将在lc0/build/release/目录中生成
6. 在与二进制文件相同的目录中下载一个神经网络（无需解压）。

如果你想使用不同的编译器，可以传递CC和CXX环境变量：

CC=clang CXX=clang++ ./build.sh

Ubuntu 20.04特别说明

对于Ubuntu 20.04，在执行上述步骤之前，你需要安装meson、ninja和gcc-10。以下命令应该可行：

apt-get update apt-get -y install git python3-pip gcc-10 g++-10 zlib1g zlib1g-dev pip3 install meson pip3 install ninja CC=gcc-10 CXX=g++-10 INSTALL_PREFIX=~/.local ./build.sh

确保~/.local/bin在你的PATH环境变量中。现在你可以输入lc0 --help开始使用了。

Windows系统编译指南

以下是CUDA/cuDNN的简要说明，有关详细信息和其他选项，请参见windows-build.md和以下部分中的说明。

1. 安装Microsoft Visual Studio（2019 version 16.11或更高版本）

2. 安装CUDA

3. （可选安装cuDNN）。

4. 如果没有随Visual Studio安装Python3，请安装它。

5. 安装Meson：pip3 install --upgrade meson

6. 如果未设置CUDA_PATH（运行set命令查看所有变量列表），编辑build.cmd并设置CUDA_PATH为你的CUDA目录

   • 如果你还想使用cuDNN，设置CUDNN_PATH为你的cuDNN目录（如果与CUDA_PATH相同则不需要）。

7. 运行build.cmd。它会请求删除构建目录的权限，然后生成MSVS项目并暂停。

然后可以选择：

8. 按Enter键进行构建。
9. 生成的二进制文件将是build/lc0.exe

或者：

8. 在Visual Studio中打开生成的解决方案build/lc0.sln并自行构建。

Mac系统编译指南

你需要安装xcode和python3。然后需要通过终端安装一些必需的软件包：

1. 安装meson：pip3 install meson
2. 安装ninja：pip3 install ninja

现在按照页面前面的说明下载lc0源代码（如果你还没有这样做）。

3. 进入lc0目录。
4. 运行./build.sh -Dgtest=false

编译好的Lc0将在build/release中。

从v0.32.0开始，我们还提供预编译版本，可以从发布页面下载。

不同后端的配置与优化 ⚡

CUDA后端设置

CUDA可以按照https://developer.nvidia.com/cuda-downloads上的说明下载和安装。在大多数情况下，构建会自动检测到它。但是，如果找不到cuda编译器（nvcc），你可以这样调用构建：PATH=/usr/local/cuda/bin:$PATH ./build.sh，将路径替换为nvcc的正确路径。

请注意，CUDA使用系统编译器，如果不识别版本，即使是更新的版本，也会停止。这在新的Linux版本上更为常见，但你可以使用nvcc_ccbin构建选项来为cuda指定不同的编译器。例如，在构建命令行中添加-Dnvcc_ccbin=g++-11将使用g++-11而不是系统编译器。

ONNX后端配置

Lc0提供了几个基于ONNX的后端，即onnx-cpu、onnx-cuda、onnx-trt、onnx-rocm，在Windows上还有onnx-dml，利用onnxruntime提供的执行提供程序。

一些Linux系统开始提供onnxruntime软件包，因此安装后，Lc0构建很可能无需进一步操作就能检测到它。否则，你可以设置onnx_libdir和onnx_include构建选项，分别指向onnxruntime库和包含目录。如果你从https://github.com/microsoft/onnxruntime/releases下载了软件包并解压，也使用相同的选项。

对于Windows，我们提供onnx-dml和onnx-trt的预编译软件包，请参阅包含的README以获取安装说明。

SYCL后端实验性支持

请注意，SYCL支持是v0.32.0中的新功能，因此仍被视为实验性的。

你将需要Intel"oneAPI DPC++/C++ Compiler"、"DPC++ Compatibility Tool"和（对于Intel GPU）"oneAPI Math Kernel Library (oneMKL)"或（对于AMD GPU）hipBLAS。

Intel工具可以在"oneAPI Base Toolkit"或"C++ Essentials"软件包中找到，可以从https://www.intel.com/content/www/us/en/developer/tools/oneapi/base-toolkit-download.html下载，而hipBLAS可以从https://rocm.docs.amd.com/projects/hipBLAS/en/latest/下载。

C代码的编译器是icx，C++代码的编译器在Windows上是icx，但在Linux上是icpx。

要使用SYCL构建Lc0，你需要使用-Dsycl=l0（即el zero）设置sycl构建选项以用于Intel GPU，或-Dsycl=amd用于（你猜对了）AMD GPU。

你可能还需要设置dpct_include选项以指向DPC++ Compatibility Tool包含，onemkl_include类似地指向oneMKL包含，或hip_libdirs和hip_include分别指向AMD HIP库和包含。

在Linux上，典型的会话如下：

. /opt/intel/oneapi/setvars.sh --include-intel-llvm CC=icx CXX=icpx AR=llvm-ar ./build.sh release -Dgtest=false -Dsycl=l0

第一行用于初始化构建环境，每个会话只需一次，而构建行可能需要如上所述进行修改。

在Windows上，你将必须使用ninja进行构建，如果你安装了CMake组件，Visual Studio会提供它。我们提供了build-sycl.cmd脚本，对于Intel GPU应该可以很好地构建。此脚本尚未在AMD GPU上测试，可能需要一些编辑。

你还可以安装oneAPI DPC++/C++ Compiler Runtime，这样你就可以运行Lc0，而无需每次都初始化构建环境。

BLAS后端配置

Lc0也可以在CPU上运行（速度稍慢），使用BLAS库中的矩阵乘法函数。默认情况下，如果可用，将使用OpenBLAS，因为它似乎在各种处理器上都能提供良好的性能。如果你的系统没有提供OpenBLAS软件包（例如libopenblas-dev），或者你有较新的处理器，你可以从这里获取DNNL。要使用DNNL，你必须将-Ddnnl=true传递给构建，并使用-Ddnnl_dir=选项指定安装目录。对于macs，将使用Accelerate库。

如果安装了"Intel Implicit SPMD Program Compiler"（ispc），一些性能关键函数将使用向量化代码以加快执行速度。

请注意，Lc0不能控制所有BLAS库的线程数。有些库会尝试积极地利用内核，在这种情况下，最好将线程设置为默认（即自动）设置。

Python绑定使用方法 🐍

Python绑定可以按如下方式构建和安装：

pip install --user git+https://gitcode.com/gh_mirrors/lc/lc0.git

这将构建lczero-bindings包并将其安装到你的Python用户安装目录。所有与位置评估相关的lc0功能现在都在lczero.backends模块中可用。

获取帮助与支持 🤝

如果你遇到问题或上述说明不清楚，你总是可以寻求帮助。最快的方法是在我们的discord聊天的帮助频道中提问，但你也可以打开github issue（在检查问题尚未被报告之后）。

许可证信息 📜

Leela Chess是自由软件：你可以根据自由软件基金会发布的GNU通用公共许可证第3版或（根据你的选择）任何更高版本重新分发和/或修改它。

Leela Chess的分发希望它会有用，但没有任何保证；甚至没有适销性或特定用途适用性的暗示保证。有关更多详细信息，请参见GNU通用公共许可证。

你应该已经收到了GNU通用公共许可证的副本。如果没有，请参见http://www.gnu.org/licenses/。

GNU GPL第3版第7节的附加许可

除了BLAS、OpenCL和SYCL后端（blas、opencl和sycl子目录中的所有文件）之外，Lc0的源文件具有以下附加许可，根据GNU GPL第3版第7节允许：

如果你通过链接或组合本程序或任何涵盖的作品与NVIDIA Corporation的NVIDIA CUDA Toolkit和NVIDIA CUDA Deep Neural Network库（或这些库的修改版本），包含各自许可协议条款涵盖的部分，本程序的许可方授予你额外的许可来传达由此产生的作品。

【免费下载链接】lc0Open source neural network chess engine with GPU acceleration and broad hardware support.项目地址: https://gitcode.com/gh_mirrors/lc/lc0