nnue網絡
用於Minic3實施（最初基於Seer One）
這些網僅與微型> = 3.00兼容
- 最小3.00或3.01（11/2020）的邪惡核與新生養分相同的數據。使用此網絡，Minic3.01在短TC時比HCE弱60elo。
- narcotized的夜班> = 3.02 && <= 3.06（12/2020）：使用在root的遊戲中看到的位置，該網絡與最小HCE搜索的數據一起生成。在每個遊戲開始時，隨機玩2到8個。使用了約500m的位置，對12個時期進行了培訓。該網與以前的發行版不兼容，因為現在在培訓和推理代碼中使用了剪切的relu 。在此網中，Minic3.02的含量比Minic3.01強約90 elo。
- nettling nemesis的minic> = 3.02 && <= 3.06（12/2020）：該網是使用深度5的2b stockfish（master）數據構建的。此網絡不適用於當然的評分列表！只是為了好玩。使用此網絡當然更強大。架構與以前的網絡相同。它僅在2個時期才接受訓練...並且以某種方式與“ Narcotized Nighthift”相比，它以某種方式接近 +150elo。
- niggling niggling若蟲的minic> = 3.02 && <= 3.06（01/2020）：該網是使用Minic HCE的Depth 8處的600m FRC數據構建的。它玩的FRC遊戲比HCE更好（這不是以前的網絡的情況...）。它比“ narcotized Nighthift”更強大。
- minic> = 3.02 && <= 3.06（02/2020）的嘈雜缺口：該網是使用Minic HCE的Depth 8處的2B標準數據構建的。它比短TC上的 +50elo效果更好。在訓練階段，我的網絡生成過程現在涉及150多個網的大規模測試過程。嘈雜的Notch表現更好，其性能為66 +/- 10elo與以前的網絡。
- 微型== 3.05（03/2020）的nibbleed Nutshell ：一個未發行的較小的網絡，在STC上的性能很好，但在LTC上不夠好（與“ Noisy Notch”相同的數據使用的數據）。
- MiniC的夜間NADIR > = 3.06（05/2020）：使用新的2B最小HCE數據構建的網絡，其中深度取決於遊戲階段（在開場中的深度8，遊戲結尾中的深度12），包括一些FRC生成的位置。這個網似乎至少比“嘈雜的缺口”強20。同樣，由於長時間的測試過程，此網是從其他200個好的元素中提取的。
- 最小> = 3.06（05/2020）的幼稚懷舊：使用1B微型噪聲Notch數據構建的網絡，取決於遊戲階段（深度8的開放式，深度12，在末端中的深度12）。該網的古典國際象棋更強，而在FRC中，該網比上一個更弱。該網嵌入最小的3.07中。
- 微小的MiniC> = 3.06（06/2020）的無關緊要的Nystagmus ：該網是使用與“ Naive Nostalgia”相同的數據構建的，但添加了一些FRC位置，並根據其FRC性能選擇。對於古典國際象棋，它看起來像“天真懷舊”一樣強，但在FRC中的強度要強得多。該網嵌入最小的3.08中。
- 微型> = 3.06（06/2020）的Nifty霧化性：該網是使用T74 LC0數據構建的。它不是“官方”網，因此不得在評級列表中使用以替換任何以前的微型版本。它播放 +90elo與“微不足道的眼球震顫”。
- niDicolous nighthawk用於微型> = 3.06（08/2020）：該網是使用1B FRC和1B標準國際象棋位置構建的，該nystagmus nystagmus''自我播放數據生成。該網嵌入最小的3.09中。它的效果比標準國際象棋的“無可忽視的黑眼星”好一點，但是在玩FRC時要強得多。
- 微型> = 3.06（10/2020）的成核神經材料：該網是使用“ nidicolous nighthawk”自我播放數據生成的2B FRC國際象棋位置構建的。該網嵌入最小的3.14中。它的表現比標準國際象棋的“ Nighthawk”要強一些，但應該打奇怪而不球的比賽。牠喜歡進攻，並且經常對其獲勝的機會過高。
- Nifty Nifty Nifty版本2用於MiniC> = 3.06（11/2021）：僅使用T74 LC0數據的另一個培訓會話。這不是“官方”網。它在“成核神經”上方播放80elo。
- Nifty Nifty Nifty版本3版，用於Minic> = 3.06（12/2021）：使用T60T70WISRIGHT LC0+SF數據的培訓會話。這不是“官方”網。它在“成核神經”上方播放110elo。
- 微小> = 3.18（01/2022）的靈活虛無，該網受到2B FRC型數據的訓練（從深度10到14的“核定神經化”）。它與以前版本的MiniC不兼容，並且使用了剪切的Relu。由於數據生成中的錯誤修復了，它比“核神經元素”的效果比“成核神經”的效果更好。
- 最小> = 3.19（04/2022）的尼龍不平衡：該網受到4.2B DFRC數據和6B的混合訓練，使用Minic 3.18（根據遊戲階段的不同，深度5至14），T60T70WISRIGHT位置撤回了T60T70WISRIGHT位置。該網上使用具有通用FT的新體系結構，但根據板上的碎片數（4桶）。很難與以前的網絡相提並論，因為在Minic 3.19中包含的一些多汁的搜索貼片，但Minic3.19將使用“ Nimble Nothesness”至少播放 +30elo與Minic3.18（我認為其中大約一半是由於新網絡造成的）。它嵌入最小的3.19中。
- 微型> = 3.25（08/2022）的自然效果：此網絡使用具有常見ft的新體系結構，但根據板上的碎片數量（2桶）。只有最後一個水桶接受了
lambda!=1訓練，因此將第一個桶訓練，第一個始終只對lambda=1進行訓練（僅在得分上）。數據是以前數據的混合，並使用先前的NET進行了加法2B DFRC固定節點數據。 - 微型> = 3.25（10/2023）的Nyctophopic -Narwhal ：此網絡使用純DFRC數據。在訓練過程中，我使用的重量衰減較小，沒有輟學和增加批量。數據為6B 10K節點，最小3.38。
舊的minic2東西，用於sf，例如nnue實施
這些是與SF NNUE實現的0x7AF32F16U版本兼容的網絡。最小版本2.47至2.53可以使用這些網（不是微型版本> = 3.00）
- 午睡Nexus （09/2020）：基於股票數據的淨構建以20億個深度10個數據的多個步驟。數據來自Stockfish Genfen。使用的學習者是Nodchip存儲庫。驗證數據是1M深度16和20個Stockfish數據。有了這個網，微小的小額纖維比SV網弱約100elo。
- 新生的養分（10/2020）：從最小的深度12評估的400m隨機位置的基於最小數據的淨構建。為了確保使用最小的評估，使用的學習者合併了。驗證數據是1M深度16個最小數據，從Minic2.48遊戲中提取的PGN格式。該網絡沒有遊戲結果。使用該網絡，微小的弱點比小睡的Nexus弱約100elo。
