मुख्य कंटेंट तक स्किप करें

KataGo इंस्टॉलेशन और सेटअप

यह लेख विभिन्न प्लेटफॉर्म पर KataGo इंस्टॉल करने का विस्तृत विवरण देता है, जिसमें सिस्टम आवश्यकताएं, इंस्टॉलेशन चरण, मॉडल चयन और कॉन्फ़िगरेशन फ़ाइल विवरण शामिल हैं।

सिस्टम आवश्यकताएं​

हार्डवेयर आवश्यकताएं​

GPU (अनुशंसित)​

GPU प्रकारसमर्थन स्थितिअनुशंसित बैकएंड
NVIDIA (CUDA)सर्वोत्तम समर्थनCUDA
NVIDIA (CUDA नहीं)अच्छा समर्थनOpenCL
AMDअच्छा समर्थनOpenCL
Intel इंटीग्रेटेडबुनियादी समर्थनOpenCL
Apple Siliconअच्छा समर्थनMetal / OpenCL

CPU मोड​

यदि उपयुक्त GPU नहीं है, Eigen बैकएंड से शुद्ध CPU चला सकते हैं:

  • कम प्रदर्शन (लगभग 10-30 playouts/sec)
  • सीखने, परीक्षण और कम तीव्रता उपयोग के लिए उपयुक्त
  • AVX2 इंस्ट्रक्शन सेट समर्थन आवश्यक (अधिकांश आधुनिक CPU समर्थित)

सॉफ्टवेयर आवश्यकताएं​

ऑपरेटिंग सिस्टमसंस्करण आवश्यकता
LinuxUbuntu 18.04+, CentOS 7+ या अन्य आधुनिक डिस्ट्रो
macOS10.14+ (Mojave या नया)
WindowsWindows 10 या नया

बैकएंड चयन गाइड​

macOS इंस्टॉलेशन​

विधि 1: Homebrew (अनुशंसित)​

सबसे सरल इंस्टॉलेशन विधि, सभी डिपेंडेंसी स्वचालित रूप से संभालती है।

# KataGo इंस्टॉल
brew install katago

# इंस्टॉलेशन सत्यापित
katago version

Homebrew संस्करण डिफ़ॉल्ट रूप से OpenCL बैकएंड उपयोग करता है, Intel Mac और Apple Silicon दोनों पर चलता है।

विधि 2: सोर्स से कंपाइल​

कस्टम विकल्प या नवीनतम सुविधाएं चाहने वालों के लिए उपयुक्त।

डिपेंडेंसी इंस्टॉल​

# CMake और कंपाइल टूल्स इंस्टॉल
brew install cmake

# OpenCL के लिए
# macOS में OpenCL बिल्ट-इन है, अतिरिक्त इंस्टॉलेशन नहीं

कंपाइल चरण​

# सोर्स क्लोन
git clone https://github.com/lightvector/KataGo.git
cd KataGo/cpp

# बिल्ड डायरेक्टरी बनाएं
mkdir build && cd build

# कंपाइल विकल्प सेट करें (OpenCL बैकएंड)
cmake .. -DUSE_BACKEND=OPENCL

# कंपाइल
make -j$(sysctl -n hw.ncpu)

# कंपाइल पूर्ण, एक्ज़ीक्यूटेबल build/katago में है
./katago version

Apple Silicon विशेष निर्देश​

M1/M2/M3 Mac पर, OpenCL या Metal बैकएंड अनुशंसित:

# OpenCL बैकएंड (अनुशंसित, बेहतर संगतता)
cmake .. -DUSE_BACKEND=OPENCL

# Metal बैकएंड (प्रयोगात्मक, संभवतः बेहतर प्रदर्शन)
cmake .. -DUSE_BACKEND=METAL

Linux इंस्टॉलेशन​

विधि 1: प्री-कंपाइल्ड संस्करण (अनुशंसित)​

GitHub Releases से प्री-कंपाइल्ड संस्करण डाउनलोड करें:

# OpenCL संस्करण डाउनलोड (अधिकांश के लिए उपयुक्त)
wget https://github.com/lightvector/KataGo/releases/download/v1.15.3/katago-v1.15.3-opencl-linux-x64.zip

# या CUDA संस्करण डाउनलोड (NVIDIA GPU)
wget https://github.com/lightvector/KataGo/releases/download/v1.15.3/katago-v1.15.3-cuda11.1-linux-x64.zip

# अनज़िप
unzip katago-v1.15.3-*.zip

# एक्ज़ीक्यूट परमिशन दें
chmod +x katago

# इंस्टॉलेशन सत्यापित
./katago version

विधि 2: सोर्स से कंपाइल​

CUDA बैकएंड (NVIDIA GPU)​

# डिपेंडेंसी इंस्टॉल
sudo apt update
sudo apt install cmake g++ libzip-dev

# CUDA इंस्टॉल (यदि नहीं है)
# NVIDIA आधिकारिक गाइड देखें: https://developer.nvidia.com/cuda-downloads

# क्लोन और कंपाइल
git clone https://github.com/lightvector/KataGo.git
cd KataGo/cpp
mkdir build && cd build

# CUDA बैकएंड सेट करें
cmake .. -DUSE_BACKEND=CUDA

# कंपाइल
make -j$(nproc)

OpenCL बैकएंड (सामान्य GPU)​

# डिपेंडेंसी इंस्टॉल
sudo apt update
sudo apt install cmake g++ libzip-dev ocl-icd-opencl-dev

# OpenCL ड्राइवर इंस्टॉल
# NVIDIA: CUDA के साथ आता है
# AMD: sudo apt install mesa-opencl-icd
# Intel: sudo apt install intel-opencl-icd

# क्लोन और कंपाइल
git clone https://github.com/lightvector/KataGo.git
cd KataGo/cpp
mkdir build && cd build

cmake .. -DUSE_BACKEND=OPENCL
make -j$(nproc)

Eigen बैकएंड (शुद्ध CPU)​

# डिपेंडेंसी इंस्टॉल
sudo apt update
sudo apt install cmake g++ libzip-dev libeigen3-dev

# क्लोन और कंपाइल
git clone https://github.com/lightvector/KataGo.git
cd KataGo/cpp
mkdir build && cd build

cmake .. -DUSE_BACKEND=EIGEN
make -j$(nproc)

Windows इंस्टॉलेशन​

विधि 1: प्री-कंपाइल्ड संस्करण (अनुशंसित)​

  1. KataGo Releases पर जाएं
  2. उपयुक्त संस्करण डाउनलोड करें:
    • katago-v1.15.3-cuda11.1-windows-x64.zip (NVIDIA GPU + CUDA)
    • katago-v1.15.3-opencl-windows-x64.zip (अन्य GPU)
    • katago-v1.15.3-eigen-windows-x64.zip (शुद्ध CPU)
  3. निर्दिष्ट डायरेक्टरी में अनज़िप करें
  4. कमांड प्रॉम्प्ट में टेस्ट करें:
cd C:\path\to\katago
katago.exe version

विधि 2: सोर्स से कंपाइल​

वातावरण तैयारी​

  1. Visual Studio 2019/2022 इंस्टॉल करें (C++ टूल्स सहित)
  2. CMake इंस्टॉल करें
  3. CUDA उपयोग करने पर, CUDA Toolkit इंस्टॉल करें

कंपाइल चरण​

# Developer Command Prompt में चलाएं

git clone https://github.com/lightvector/KataGo.git
cd KataGo\cpp
mkdir build
cd build

# CUDA बैकएंड
cmake .. -G "Visual Studio 17 2022" -A x64 -DUSE_BACKEND=CUDA

# या OpenCL बैकएंड
cmake .. -G "Visual Studio 17 2022" -A x64 -DUSE_BACKEND=OPENCL

# कंपाइल
cmake --build . --config Release

मॉडल डाउनलोड और चयन​

KataGo को चलाने के लिए न्यूरल नेटवर्क मॉडल फ़ाइल आवश्यक है। आधिकारिक रूप से विभिन्न आकार के मॉडल उपलब्ध हैं।

डाउनलोड स्थान​

आधिकारिक मॉडल डाउनलोड पेज: https://katagotraining.org/

या सीधे प्रशिक्षण सर्वर से डाउनलोड:

# छोटा मॉडल (परीक्षण और कमज़ोर हार्डवेयर के लिए)
curl -L -o kata-b18c384.bin.gz \
  "https://media.katagotraining.org/uploaded/networks/models/kata1/kata1-b18c384nbt-s9996604416-d4316597426.bin.gz"

# मध्यम मॉडल (अनुशंसित, प्रदर्शन और गति में संतुलन)
curl -L -o kata-b40c256.bin.gz \
  "https://media.katagotraining.org/uploaded/networks/models/kata1/kata1-b40c256-s11840935168-d2898845681.bin.gz"

# बड़ा मॉडल (सबसे मजबूत, शक्तिशाली GPU आवश्यक)
curl -L -o kata-b60c320.bin.gz \
  "https://media.katagotraining.org/uploaded/networks/models/kata1/kata1-b60c320-s11318001920-d2792783831.bin.gz"

मॉडल तुलना​

मॉडलनेटवर्क आकारफ़ाइल आकारताकतउपयुक्त परिदृश्य
b10c12810 blocks, 128 channels~20 MBशौकिया उच्च डानCPU, कमज़ोर GPU, त्वरित परीक्षण
b18c38418 blocks, 384 channels~140 MBपेशेवर स्तरसामान्य GPU, दैनिक विश्लेषण
b40c25640 blocks, 256 channels~250 MBसुपरह्यूमन स्तरमध्य-उच्च GPU, गहन विश्लेषण
b60c32060 blocks, 320 channels~500 MBशीर्ष सुपरह्यूमनउच्च GPU, शीर्ष विश्लेषण

चयन सुझाव​

आपका GPU क्या है?
├─ RTX 3080/4080/4090 → b60c320 या b40c256
├─ RTX 3060/3070 → b40c256 या b18c384
├─ GTX 1660/2060 → b18c384
├─ एंट्री-लेवल GPU → b18c384 या b10c128
└─ शुद्ध CPU → b10c128

बुनियादी कॉन्फ़िगरेशन फ़ाइल विवरण​

KataGo .cfg फॉर्मेट कॉन्फ़िगरेशन फ़ाइल उपयोग करता है। आधिकारिक उदाहरण cpp/configs/ डायरेक्टरी में हैं।

महत्वपूर्ण कॉन्फ़िगरेशन फ़ाइलें​

फ़ाइलउपयोग
gtp_example.cfgGTP मोड उदाहरण कॉन्फ़िग
analysis_example.cfgAnalysis Engine उदाहरण कॉन्फ़िग
default_gtp.cfgGTP मोड डिफ़ॉल्ट कॉन्फ़िग

मुख्य कॉन्फ़िगरेशन आइटम​

# =============
# न्यूरल नेटवर्क सेटिंग
# =============

# न्यूरल नेटवर्क मॉडल फ़ाइल पथ
# रिलेटिव या एब्सोल्यूट पथ उपयोग कर सकते हैं
# model = /path/to/model.bin.gz

# =============
# खोज सेटिंग
# =============

# प्रति चाल अधिकतम खोज विज़िट
# बढ़ाने से ताकत बढ़ती है लेकिन धीमा होता है
maxVisits = 500

# प्रति चाल अधिकतम सोचने का समय (सेकंड)
# 0 = असीमित (maxVisits द्वारा नियंत्रित)
maxTime = 0

# प्रति चाल उपयोग किए जाने वाले थ्रेड्स की संख्या
numSearchThreads = 6

# =============
# नियम सेटिंग
# =============

# गो नियम
# chinese = चीनी नियम
# japanese = जापानी नियम
# korean = कोरियाई नियम
# tromp-taylor = Tromp-Taylor नियम
# aga = AGA नियम
rules = chinese

# कोमी
komi = 7.5

# =============
# GPU सेटिंग
# =============

# उपयोग किए जाने वाले GPU नंबर (0 से शुरू)
# मल्टी-GPU कॉमा से अलग: 0,1,2
# -1 = स्वचालित चयन
nnDeviceIdxs = 0

# प्रति GPU थ्रेड का बैच साइज़
# बड़ा बैच GPU उपयोग बढ़ा सकता है
numNNServerThreadsPerModel = 1

# =============
# एडवांस्ड सेटिंग
# =============

# MCTS एक्सप्लोरेशन कॉन्स्टेंट
# बड़ा मान एक्सप्लोरेशन बढ़ाता है, छोटा मान एक्सप्लॉइटेशन
cpuctExploration = 1.0

# रूट नोड Dirichlet नॉइज़
# एक्सप्लोरेशन विविधता बढ़ाने के लिए
rootNoiseEnabled = true
rootDirichletNoisePruneFactor = 0.25

GTP मोड कॉन्फ़िग उदाहरण​

my_gtp_config.cfg बनाएं:

# मॉडल पथ
# model आमतौर पर कमांड लाइन पर निर्दिष्ट, यहां छोड़ सकते हैं

# खोज सेटिंग
maxVisits = 1000
numSearchThreads = 4

# नियम
rules = chinese
komi = 7.5

# GPU सेटिंग
nnDeviceIdxs = 0

# लॉग
logDir = ./logs
logToStderr = false

Analysis Engine कॉन्फ़िग उदाहरण​

my_analysis_config.cfg बनाएं:

# खोज सेटिंग
maxVisits = 500
numSearchThreads = 8

# रिपोर्ट सेटिंग
# प्रति विश्लेषण अधिकतम वेरिएशन संख्या
maxMoves = 10

# नियम (API कॉल में ओवरराइड हो सकते हैं)
rules = chinese
komi = 7.5

# GPU सेटिंग
nnDeviceIdxs = 0
numNNServerThreadsPerModel = 2

# विश्लेषण सुविधाएं
reportAnalysisWinratesAs = BLACK

# ओनरशिप मैप
# सक्षम करने पर प्रत्येक बिंदु का स्वामित्व भविष्यवाणी मिलती है
analysisOwnership = true

पहली बार चलाना​

GTP मोड टेस्ट​

# GTP मोड चलाएं
katago gtp -model /path/to/model.bin.gz -config /path/to/config.cfg

# config नहीं होने पर, KataGo डिफ़ॉल्ट मान उपयोग करेगा
katago gtp -model /path/to/model.bin.gz

सफल शुरुआत के बाद, GTP कमांड से टेस्ट करें:

name
= KataGo

version
= 1.15.3

boardsize 19
=

genmove black
= Q16

quit
=

Analysis Engine टेस्ट​

# Analysis Engine चलाएं
katago analysis -model /path/to/model.bin.gz -config /path/to/config.cfg

JSON क्वेरी इनपुट करें:

{"id":"test1","initialStones":[],"moves":[],"rules":"chinese","komi":7.5,"boardXSize":19,"boardYSize":19,"analyzeTurns":[0]}

बेंचमार्क टेस्ट​

अपने हार्डवेयर प्रदर्शन टेस्ट करें:

# बेंचमार्क चलाएं
katago benchmark -model /path/to/model.bin.gz

# कॉन्फ़िग निर्दिष्ट करें
katago benchmark -model /path/to/model.bin.gz -config /path/to/config.cfg

बेंचमार्क आउटपुट करता है:

  • प्रति सेकंड खोज विज़िट (visits/sec)
  • न्यूरल नेटवर्क इंफरेंस स्पीड
  • अनुशंसित थ्रेड सेटिंग

सामान्य समस्या समाधान​

GPU संबंधित​

समस्या: GPU नहीं मिला

# OpenCL डिवाइस जांचें
clinfo

# या KataGo को दिखने वाले डिवाइस सूचीबद्ध करें
katago gpuinfo

समस्या: CUDA इनिशियलाइजेशन विफल

  • CUDA संस्करण और KataGo कंपाइल संस्करण मेल खाते हैं, सुनिश्चित करें
  • GPU ड्राइवर अपडेट करें
  • CUDA_PATH एनवायरनमेंट वेरिएबल जांचें

मेमोरी संबंधित​

समस्या: मेमोरी अपर्याप्त

# GPU मेमोरी उपयोग कम करें
nnMaxBatchSize = 8  # डिफ़ॉल्ट 16 या अधिक हो सकता है
nnCacheSizePowerOfTwo = 20  # कैश साइज़ कम करें

प्रदर्शन संबंधित​

समस्या: बहुत धीमा

  1. GPU उपयोग हो रहा है, CPU नहीं, सुनिश्चित करें
  2. numSearchThreads कम करें
  3. छोटा मॉडल उपयोग करें
  4. अन्य प्रोग्राम GPU उपयोग कर रहे हैं, जांचें

अगला कदम​

सेटअप पूर्ण होने के बाद, आगे पढ़ें: