Leela Zero 是由比利時程式設計師Gian-Carlo Pascutto 電腦圍棋 軟體，以及相關的運算計畫。專案在2021年2月15日已經中止，並推薦改參與SAI 與KataGo [ 2]
Leela Zero是依照DeepMind 在科學期刊《自然 》上對於AlphaGo Zero 所發表的論文《Mastering the game of Go without human knowledge [ 3] 開源 電腦圍棋程式[ 4] 圍棋規則 ，使用單一類神經網路 從自我對弈中學習（不像AlphaGo 以人類角度思考，設計了Policy Network與Value Network）。
軟體使用蒙特卡洛树搜索 （MCTS）模擬與ResNet [ 4] [ 5] 貼目 雖然與中國規則相同，都是由黑棋貼7.5目，但在某些情境下可能會有差異。
程式碼部份，用戶端對弈的程式碼與訓練的程式碼以GPLv3 授權公開[ 4] AGPLv3 授權公開[ 6] [ 7] [ 8] [ 註 1]
初期時Leela Zero在確認演算法以及程式是否實做正確，所以對論文裡提到的部份參數進行調整，以加快驗證速度：
類神經網路的架構
AlphaGo Zero使用20 blocks或40 blocks，配上256 filters[ 3]
Leela Zero是逐步提昇類神經網路的大小（在近期的版本開始使用Net2Net，將舊的網路資料轉換到新的網路上[ 9] 1 block x 8 filters（2017年11月10日，第0代），並逐步換成
4 blocks x 32 filter（2017年11月17日，第2代，訓練約1.9萬盤時）、
5 blocks x 64 filters（2017年11月21日，第5代，約13.7萬盤時）、
6 blocks x 128 filters（2018年1月20日，第58代，約286萬盤時）、
10 blocks x 128 filters（2018年3月5日，第92代，約481萬盤時）、
15 blocks x 192 filters（2018年4月9日，第117代，約664萬盤時）、
20 blocks x 256 filters（2018年7月28日，第158代，約872萬盤時），到目前使用的
40 blocks x 256 filters（2018年9月4日，第174代，約997萬盤時）[ 7] 自我對戰訓練的盤數
AlphaGo Zero使用最新的50萬盤訓練[ 3]
Leela Zero在10 blocks前（不含10 blocks）使用最新的25萬盤自我對戰結果訓練[ 10] bug ，導致只會使用最新的（約）16萬盤自我對戰結果進行訓練[ 11] [ 12]
蒙特卡洛树搜索 （MCTS）的模擬的次數AlphaGo Zero在論文裡提到自我訓練或正式對弈時，每一步都使用1600次模擬[ 3]
Leela Zero一開始使用與AlphaGo Zero的論文相同的1600次，但後來改為3200次[ 13] 這些調整是希望在比較小的網路與訓練盤數下快速確認程式的正確性[ 5] [ 5]
另外作者發現在原論文裡有瑕疵：論文裡的第一層輸入只有17個，會導致白棋較容易看到棋盤邊緣（指類神經網路 ），這在Leela Zero內被修正為18個[ 4]
早期Leela Zero剛出來時，Gian-Carlo Pascutto的目標是重製AlphaGo Zero 的論文結果[ 4] [ 14] Leela 以及其他對手[ 14]
現在的目標是希望在行動電話 上也能夠有足夠強的圍棋軟體可以使用[ 14]
由於作者估算以當時的高階硬體（以Nvidia 的GeForce GTX 1080 Ti 估算）大約需要1700年的計算量才能達到AlphaGo Zero自我學習2900萬盤的水平[ 15] GTP 自動與伺服器溝通以取得計算工作）[ 7]
在計畫啟動的34天後（2017年12月13日），自我對弈的訓練量超過100萬盤。
59天後（2018年1月8日）超過200萬盤。
74天後（2018年1月23日）超過300萬盤。
100天後（2018年2月18日）超過400萬盤。
119天後（2018年3月9日）超過500萬盤。
138天後（2018年3月28日）超過600萬盤。
166天後（2018年4月25日）超過700萬盤。
218天後（2018年6月16日）超過800萬盤。
261天後（2018年7月29日）超過900萬盤。
299天後（2018年9月5日）超過1000萬盤。 2018年初，志願者申請到超級電腦 的部份計算資源，印第安纳大学 的Big Red II（申請到3360 cores，約該台超級電腦的10.7%資源）[ 16] [ 17] [ 註 2]
Leela Zero官方曾鼓勵參與者使用Google Colaboratory所提供的免費運算資源幫助訓練[ 18] [ 19]
在2019年十一月時，由於Gian-Carlo Pascutto SAI 與KataGo ），宣佈先將訓練盤數加到75萬盤以確認是否到了極限，並暫定於2020年1月31日結束這次長達兩年的訓練[ 20]
Minigo
Minigo 同樣也是依照AlphaGo Zero 論文所獨立實做出來的軟體[ 21] Google 贊助的計算資源[ 21] [ 22]
ELF OpenGo
ELF OpenGo 是Facebook 依照AlphaGo Zero 與AlphaZero 所實做出來的軟體[ 23] GPU 計算兩週）並公開訓練網路資料，Leela Zero團隊得以將資料轉換為Leela Zero可以使用的格式（Hash值為62b5417b[ 7]
Leela Zero後來決定將ELF OpenGo的資料混入自我對弈，在2018年5月7日後引入了ELF OpenGo的資料[ 24] [ 25]
CGOS
在CGOS （英語：Computer Go Server ）上會有志願者將每次演化的版本掛上進行測試（19x19）[ 26]
程式名稱會以LZ或LeelaZero之類的名稱命名。大致上有幾個不同的版本，像是使用訓練網路的Hash 值為名（如LZ-d6f3a6-t1-p1600[ 27] LZ-000-p1600-t1-r1[ 28]
有幾個特別的訓練網路不是自我訓練產生，而是透過人類頂尖棋手的對弈棋譜產生，用以作為階段性的指標。
名為LZ-HBest1-t1-p1600[ 29] [ 註 3] [ 31] [ 32] [ 33]
另一個帳號是LZH256x20-t4-nolim[ 34] [ 33]
另外由於CGOS可以任意註冊名稱，有些人會拿較強的軟體摸魚混珠（而非使用Leela Zero），因此CGOS上面的數據需要確認後才有參考價值[ 35] t1-p1600（Thread 1、Playouts 1600），但目前（2018年四月）已暫時沒有使用這個參數測試訓練網路：
在LZ-c99f1a-t1-p1600[ 36] [ 33] GNU Go （1800分），不過此時對GNU Go的勝率還不高。
在LZ-097dee-t1-p1600[ 37] [ 33]
在LZ-c83e1b-t1-p1600[ 38] [ 33]
在LZ-ed002c-t1-p1600[ 39] [ 33]
在LZ-5773f4-t1-p1600[ 40] [ 33] LZ-HBest1-t1-p1600[ 29]
2017年12月16日，贴吧 上的志願者以alphaleela的帳號在野狐圍棋 上開始測試，以快棋對弈為主，並隨時更新為最新版的訓練網路。於2017年12月30日（約150萬盤訓練）從級位升到一段，在2018年3月8日（約497萬盤訓練）升到九段[ 41]
在預賽取得第三名，僅輸給PhoenixGo 與絕藝 [ 42]
