分类 深度强化学习教程 下的文章

强化学习的核心思想是通过Agent与环境的不断交互，以最大化累计回报为目标来选择合理的行动，这与人类智能中经验知识获取和决策过程不谋而合。特别是近年来深度强化学习在以AlphaGo、AlphaZero、AlphaStar等为代表的机器智能领域的突破，进一步展现了强化学习在解决复杂决策问题的能力，成为人工智能研究领域的热点。当前强化学习主要研究的方法[...]

提示：本社群名额有限，目前计划控制为100人，截止2024年8月24日，当前已经有35人加入。1、求职简历存在的问题本站自上线以来，站长以及广大热心网友无偿分享了很多AI相关的电子书，获得了很多AI初学者的认可！同时，也有不少人私下咨询站长关于面试的问题。站长发现很多人的简历写得很空洞，没有亮点，缺少动手项目。技术本来是要用的，而不是记的，只有动起[...]

Pop与Art分别表示Preserving Outputs Percisely以及Adaptive Rescaling Target, 即在保障已历经样本输出不变的前提下自适应缩放target值的算法。这个算法来自文献：《Multi-task Deep Reinforcement Learning with popart》。PopArt这个算法本来[...]

Q-Learning是强化学习中的最基础算法，它基于Q-Table来实现。这个表格的每一行都代表着一个状态（state），每一行的每一列都代表着一个动作（action），而每个值就代表着如果在该state下采取该action所能获取的最大的未来期望奖励。通过Q-Table就可以找到每个状态下的最优行为，进而通过找到所有的最优action来最终得到最[...]

在马尔可夫决策过程中，当智能体从一个状态S，选择动作A，会进入另外一个状态S'。同时，也会给智能体奖励R。 奖励既有正，也有负，正代表我们鼓励智能体在这个状态下继续这么做，负得话代表我们并不希望智能体这么做。 在强化学习中，我们会用奖励R作为智能体学习的引导，期望智能体获得尽可能多的奖励。需要注意的是：很多时候，我们并不能单纯通过R来衡量一个动作的[...]

Ray简介Ray是一个开源的人工智能分布式框架，它的目标是让开发者仅需添加数行代码就能轻松转为适合于计算机集群运行的高性能分布式应用。今天的深度学习越来越需要计算资源，像笔记本电脑这样的单节点开发环境无法扩展以满足算力需求，Ray是将Python和AI应用程序从笔记本电脑扩展到集群的统一方法。使用Ray，您可以将相同的代码从笔记本电脑无缝扩展到集群[...]

REINFORCE介绍强化学习中的策略优化主要有两类：基于价值的方法和基于策略的方法（当然两者的结合产生了 Actor-Critic 等算法）。基于值函数的方法主要是学习值函数，然后根据值函数导出一个策略，学习过程中并不存在一个显式的策略；而基于策略的方法则是直接显式地学习一个目标策略。基于价值的方法主要有DQN，而基于策略的方法有REINFORC[...]

强化学习中的策略优化主要有两类：基于value价值的方法和基于policy策略的方法（当然两者的结合产生了 Actor-Critic 等算法）。基于值函数的方法主要是学习值函数，然后根据值函数导出一个策略，学习过程中并不存在一个显式的策略；而基于策略的方法则是直接显式地学习一个目标策略。value-based方法是先通过计算出值函数，然后再求策略；[...]

RLlib入门介绍RLlib是一个用于强化学习的开源库，为生产级、高度分布式应用环境提供强化学习技术支持。RLlib已经被许多不同垂直领域的行业领导者用于生产，如气候控制、工业控制、制造和物流、金融、游戏、汽车、机器人、船舶设计等。RLlib原生支持Tensorflow和PyTorch，但其内部与这些框架无关。RLlib官网文档https://do[...]

SUMO简介SUMO，全称Simulation of Urban Mobility，是开源、微观、多模态的交通仿真软件。它纯粹是微观的，可以针对每辆车进行单独控制，因此非常适合交通控制模型的开发。SUMO最大的优点是可以利用TraCI（(Traffic Control Interface)）接口用Python语言实现模型开发学习SUMO是一个趋势，[...]