Deep Reinforcement Learning

最新推荐文章于 2024-06-19 22:34:29 发布
最新推荐文章于 2024-06-19 22:34:29 发布
阅读量114 收藏
点赞数
分类专栏： 机器学习日记 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baibaidoudou/article/details/119758245
版权

当你发现搜集有label的资料很困难的时候，正确答案也不知道的时候，可以考虑用RL

1.Looking for a Function

Step1:Function with unknown 

 Input of neural network:the observation of machine represented as a vector or a matrix 

Ouput neural network: each action corresponds to a neuron in output layer.

设计一个网络，当给输入的时候，输出会得到几个action得到相应的分数（如李老师ppt演示）

 Step2：Define "Loss"

首先定义Total reward(return): R=\sum_{t=1}^{T}r_t

这个R就是我们想要最大化的东西

Step3：Optimization

轨迹 \tau =\left \{ {​{s_1,a_1,s_2,a_2...}} \right \}

将所有的r求和得到R(\tau )

找一组Network的参数，放在Actor里面，使R(\tau )越大越好

 

 

baibaidoudou
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Humanlevel control through deep reinforcement learning—
禅与计算机程序设计艺术
09-03 2127
作者：禅与计算机程序设计艺术 1.简介 深度强化学习（Deep Reinforcement Learning）是一种强大的基于模型的机器学习方法，其特点是模仿人类的学习方式，能够从经验中快速获取知识并进行决策。在游戏领域、自然语言处理领域等多个领域，深度强化学习已经取得了重大成功。本文对这一最新的研究成
（论文阅读笔记）Network planning with deep reinforcement learning
12-01 1891
（论文阅读笔记）Network planning with deep reinforcement learning
深度强化学习 Deep Reinforcement Learning
无无
07-12 1328
深度强化学习
<纯干货-5>Deep Reinforcement Learning深度强化学习_论文大集合
热门推荐
lqfarmer的博客
06-05 1万+
本文罗列了最近放出来的关于深度强化学习（Deep Reinforcement Learning，DRL）的一些论文。文章采用人工定义的方式来进行组织，按照时间的先后进行排序，越新的论文，排在越前面。希望对大家有用，同时欢迎大家提交自己阅读过的论文。 目录 •    值函数相关的文章 •    策略相关的文章 •    离散控制相关的文章 •    连续控制相关的文章 •    文本处理
Continuous control with deep reinforcement learning (DDPG强化学习) 论文翻译
weixin_43590290的博客
08-28 3626
分布式数据融合架构信息共享策略评估 Continuous control with deep reinforcement learning Timothy P. Lillicrap, Jonathan J. Hunt, Alexander Pritzel, Nicolas Heess, Tom Erez,Yuval Tassa, David Silver & Daan Wierstra...
CVPR 2017 ADNet:《 Action-Decision Networks for Visual Tracking with Deep Reinforcement Learning》论文笔记
lch的博客
08-12 4805
  理解出错之处望不吝指正。   本文模型叫做ADNet。该模型通过强化学习产生动作序列（对bbox进行移动or尺度变换）来进行tracking。原理如下图（第一列代表初始帧，第二列和第三列代表通过RL产生的动作序列对object进行tracking）：         模型的整体结构如下：     强化学习部分：   （1）状态：     状态分为和两部分。其中...
Human-level control through deep reinforcement learning
小蚂蚁与大象
09-01 3640
Abstract　　强化学习理论在动物行为上，深入到心理和神经科学的角度，关于在一个环境中如何使得智能体优化他们的控制，提供了一个正式的规范。为了利用强化学习成功的接近现实世界的复杂度的环境中，然而，智能体遇到了一个难题：他们必须从高维感知输入中得到环境的有效表征，然后利用这些来将过去的经验应用到新的场景中去。显著地，人类和其他动物看起来可以通过一个和谐的智能体和层次感知处理系统的有效组合进而解决这个问题。前者通过丰富的神经数据解释了由多巴胺能神经产生的相位信号和时序差分强化学习算法之间的显著并行得到验证。
CONTINUOUS CONTROL WITH DEEP REINFORCEMENT LEARNING
小蚂蚁与大象
09-03 321
在DQN之前，人们普遍认为使用大型的非线性函数逼近器学习值函数是困难的和不稳定的。使用相同的学习算法、网络架构和超参数，所提出算法鲁棒地解决了20多个模拟物理任务，包括cartpole倒车、灵巧操作、腿部运动和汽车驾驶等经典问题。本文的贡献是受DQN成功的启发，对DPG进行了修改，使其能够使用神经网络函数逼近器在大型状态和动作空间中在线学习。我们将该算法称为深度DPG (DDPG，算法1)。1）DQN不能直接应用于连续域，因为它依赖于找到最大化动作值函数的动作，在连续值的情况下，每一步都需要迭代优化过程。
deep reinforcement learning
10-25
deep reinforcement learning 深度增强学习课程 深度强化学习（Deep Reinforcement Learning）的资源
Deep Reinforcement Learning.pdf
01-11
Leiden大学Aske Plaat教授《深度强化学习》 深度强化学习近年来备受关注。在自动驾驶、游戏、分子重组和机器人等各种活动中，他们都取得了令人印象深刻的成果。在所有这些领域，计算机程序已经学会了解决困难的问题...
An Introduction to Deep Reinforcement Learning.pdf
08-26
Franois-Lavet et la. An Introduction to Deep Reinforcement Learning. Foundations and trends in machine learning, 2018.
【机器学习】无监督学习：探索数据背后的隐藏模式
最新发布
AI心易行者
06-19 913
在机器学习的广阔领域中，监督学习因其直观的训练方式和广泛的应用场景，往往受到更多的关注。然而，随着数据量和数据类型的不断增长，无监督学习的重要性日益凸显。本文将详细介绍无监督学习的理论基础、常用算法及其在实际中的应用。
人工智能和机器学习的应用日益广泛，在医疗健康领域的具体应用是什么？
xiao77224li的博客
06-16 869
相较于传统的群体药动学建模方法，基于机器学习构建的模型能更精准地预测血药浓度和给药剂量，从而提高临床精准用药水平，减少不良反应的发生[51]。这些应用展示了AI和ML技术在医疗健康领域的巨大潜力，不仅能够提高医疗服务的质量和效率，还能推动医疗行业向更加智能化、高效化的方向发展。、分析患者相似度以准确预测药物组合的方法，能够提升药物推荐任务的安全性和准确性[57]。人工智能和机器学习在医疗健康领域中的应用非常广泛，不同的疾病预测模型根据其特定的应用场景和目标疾病类型，采用了不同的算法和技术。
机器学习课程复习——隐马尔可夫
Winkyyyyyy的博客
06-15 900
机器学习课程复习——隐马尔可夫
机器学习课程复习——决策树
Winkyyyyyy的博客
06-19 440
决策树通过学习数据特征之间的简单决策规则来预测目标变量，包含特征选择、树的生成、剪枝等步骤。选择一个属性作为分裂节点时，通常基于信息增益、增益率或基尼指数，分别对应ID3、C4.5、CART算法。
机器学习课程复习——奇异值分解
Winkyyyyyy的博客
06-19 469
奇异值分解是一种矩阵因子分解方法
机器学习课程复习——逻辑回归
Winkyyyyyy的博客
06-15 706
逻辑回归=线性回归+sigmoid函数
Closed-loop Rescheduling using Deep Reinforcement Learning
05-12
Closed-loop rescheduling using deep reinforcement learning is an approach to optimize scheduling decisions in a dynamic environment. In this approach, a deep reinforcement learning model is trained to...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值