Baidu PARL学习感悟（7日训练营感悟）

最新推荐文章于 2024-08-22 18:37:12 发布
最新推荐文章于 2024-08-22 18:37:12 发布
阅读量257 收藏
点赞数
文章标签： 机器学习 强化学习 人工智能
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/d736243358/article/details/106978454
版权

Baidu PARL学习感悟

前几天参加了Baidu举办的7日强化学习训练营，从入门的强化学习知识，到经典的值函数学习Q-Learning、Sarsa，到策略梯度算法REINFORCEDQN，以及深度强化学习DQN、DDPG等算法，对于短期入门级课程来说算是内容很丰富了。
下面从课程内容、学习经历与PARL使用心得方面对7日的训练营做一个总结。

课程内容

课程内容方面，主要涵盖以下几个方面：

  1. AI Studio的使用手册（4颗星）
  2. 百度PARL的基础入门
  3. 强化学习基础知识介绍及实线

AI Studio的使用

AI Studio的使用几乎与NoteBook一致，而且对于经常使用vim的人来说也算是一个福音。命令模式与编辑模式的切换、‘d’删除快捷键、‘jk’移动快捷键等。而且AI Studio现在免费赠送算力卡，每周有几十小时的GPU使用，对于实验室算力不足的小伙伴也是一个薅羊毛的好去处。
说完了优点，该说说不足，AI Studio默认环境不是PARL的最新版本，每次要重新配置，且在使用过程中，尤其是在GPU环境下使用时，运算速度不是很稳定，不同的时间段申请的计算资源运算速度会有很大差别（速度能有几倍的差距）。

PARL的使用

还有要讨论一下PARL的使用，这里大致写一个PARL的流程结构图
PARL结构示意图，转载请注明出处
其中，运行环境是我们交互学习的环境（如GYM），右侧是我们强化学习的几个主要模块，其中PARL扮演的角色是算法部分。就是说，我们使用PARL时，只要继承初始的Model类，然后编写自己的模型结构；继承Agent基类，编写Agent的接口（预测、动作等），然后再编写主要的训练流程（环境初始化、智能体初始化、训练周期循环等）。这样就完成了强化学习模块的调用，就可以开始训练了。
这里给百度的PARL打个广告，Gitee连接，查看RL经典算法的实现（https://gitee.com/paddlepaddle/PARL）

课程内容

课程内容方面，涵盖了强化学习必知必会的经典算法。这里有很多小伙伴介绍了相关的内容，就不做赘述了，贴上课程链接，大家可以去公告区灌水~~
https://aistudio.baidu.com/aistudio/course/introduce/1335

比赛内容

除了基础的知识介绍与实现，百度开开放了强化学习小比赛，用于鼓励大家将之前的算法实践用于实际的游戏IA构建中，有关项目内容可以参考下面的链接。（话说，奖励丰厚，你，不来吗？）
https://aistudio.baidu.com/aistudio/course/introduce/1335

zachary95082
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
百度PARL强化学习入门7日营
baidu_30007489的博客
06-27 865
百度PARL强化学习入门7日营笔记强化学习初探表格型方法 (Tabular Solution Methods)MDP和TD方法SarsaQ-learning神经网络+Q-learning: DQN策略梯度 (Policy Gradient)DDPG (Deep Deterministic Policy Gradient)感想后续 笔记 强化学习初探 强化学习(Reinforcement Learning) 是机器学习的一个子领域，与监督学习以及非监督学习是平行的概念。与监督学习和非监督学习不同，强化学习并没
百度飞桨强化学习七日训练营学习总结
weixin_41560321的博客
06-26 319
百度飞桨强化学习七日训练营学习总结 本次课程小白友好，感谢科科老师的热情细心的“领进门”，因为是零基础所以总结可能不到位，看到这篇文章的小伙伴们见谅 强化学习的分类 因为研究课题接触过动态规划，在控制领域强化学习可以叫做自适应动态规划，或者近似动态规划（approximate dynamic programme,ADP） 由上图可知动态规划是基于模型的强化学习，状态转移概率和奖励函数是已知的，在老师举出的例子中人碰到大熊下一步的动作有多大概率是选择装死或逃跑（状态转移概率），以及装死和逃跑分别是否能生还（
百度7日强化学习训练营感想
qq_39489143的博客
06-21 243
非常棒的课程。 大神小姐姐讲课特别认真仔细，PPT理论和算法思路无敌清楚易懂，推荐大家去听这门课！ 实战部分，代码都有详细注释，容易理解、上手快。结合课程讲解更好地理解代码逻辑。 讨论区有各路大神争相晒CSDN个人博客笔记、传哔哩哔哩demo视频，学习氛围浓厚。 总之非常推荐小姐姐讲的课程，受益匪浅！ ...
百度增强学习框架PARL的并行算法IMPALA初探
cftang9999的专栏
02-12 286
开博客啦
强化学习（RL）初印象（一）
qq_37296817的博客
06-26 758
强化学习（RL）初印象 参考资料： 《Reinforcement Learning: An Introduction》 伯克利2018 Deep RL课程：http://rail.eecs.berkeley.edu/deeprlcourse/ 强化学习库 PARL: https://github.com/PaddlePaddle/PARL Paddle: https://www.paddlepaddle.org.cn/documentation/docs/zh/beginners_guide/basic_
强化学习——百度飞桨paddlepaddle parl
qq_47978640的博客
07-27 1957
本文介绍了在学习百度开源框架paddlepaddle进行强化学习设计时遇到的问题以及解决方法
【PARL强化学习】环境搭建
weixin_44151650的博客
05-05 3459
PaddlePaddle前言1、创建虚拟环境2、安装库3、CUDA、cuDNN安装4、基础测试5、实例测试结语 前言 抢了半年显卡，终于5.1时在pdd买到了原价的rtx3050(买不起不是我的问题，是矿老板的)。不用来玩机器学习太浪费了，刚好对Reinforcement Learning很感兴趣，今天就费了半天功夫搭环境，做下记录。 我准备搭建的环境构成如下： gym，模拟问题环境。 PARL，搭建模型和训练Agent。 PaddlePaddle-gpu，利用GPU训练。 我个人的电脑环境如下： W
百度开源的深度强化学习框架PARL源代码
06-16
ARL 框架的名字来源于 PAddlepaddle Reinfocement Learning，是一款基于百度 PaddlePaddle 打造的深度强化学习框架。PARL 与现有强化学习工具和平台相比，具有更高的可扩展性、可复现性和可复用性，支持大规模并行和...
leetcode题库-PARL-Sample:使用百度PARL进行深度强化学习（迷宫、飞扬的小鸟等）
06-29
游戏智能+少儿编程，使用深度强化学习框架PARL，包含PG、DQN、Rainbow等算法 论文地址： 论文地址： B站4分钟完整版: 百度ai-studio博客地址: 击败100%的代码，是LeetCode八数码的默认解题算法！ 百度ai-studio博客...
百度七日入门强化学习训练营
weixin_40054643的博客
06-21 428
一直都有在参加百度7日训练营活动，这次是关于强化学习的~ 强化学习（RL）初印象 Part1 什么是强化学习 强化学习（英语：Reinforcement learning，简称RL）是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。 核心思想：智能体agent在环境environment中学习，根据环境的状态state（或观测到的observation），执行动作action，并根据环境的反馈reward（奖励）来指导更好的动作。 注意：从环境中获取的状态，有时候叫state.
PARL与强化学习笔记
weixin_38226321的博客
02-28 1219
paddle与强化学习笔记1.预习1.1MNIST手写识别2.初识3.基于表格型求解RL4.基于神经网络求解RL5.基于策略梯度求解RL6.连续动作空间上求解RL 最近打算学习强化学习，看到了百度的公开课（https://aistudio.baidu.com/aistudio/education/group/info/1335），所以跟着学习记录一些笔记。 1.预习 1.人的视觉系统处理信息是分级的。 2.边缘特征 —–> 基本形状和目标的局部特征——>整个目标 这个过程其实和我们的常识是相吻合
PARL之并行计算
一个萝卜一个坑
12-21 3070
PARL(PAddlepaddle Reinfocement Learning)是百度推出的基于PaddlePaddle(飞桨）的深度强化学习框架，具有可复用性强、扩展性好、支持大规模并行计算等优点，详细介绍见官网。百度凭借PARL连续两年（2018、2019）在人工智能顶会NeurIPS的强化学习挑战赛上夺魁，足见其性能的强大。 事实上，除了用来开发强化学习算法，PARL提供了十分便捷的Pyth...
百度parl框架学习感受
bxdxstu的博客
06-26 658
很久没有在csdn写博客了，因为所在地区的问题，csdn博客在过去有几年都无法访问，现在重新开始。 最近两个月，由于工作上的需要开始研究深度学习和强化学习，一并开始寻找可用的深度学习框架。最初的选择是在tensorflow和pytorch之间，因为它们是当前最流行的机器学习框架，网上资料比较多，学习和解决问题的成本最低，经过查询对比了两个框架的优缺点之后选择了pytorch，主要原因是它的使用较tensorflow简单，并且大有后来居上之势，作为一个小公司的初学者，先不考虑工业级部署什么的优势，能学会才是第
[深度学习工具]·百度PaddlePaddle深度强化学习框架PARL
简明AI工作室
01-19 2762
PARL快速入门示例 PaddlePaddle PARL 的名字来源于 PAddlepaddle Reinfocement Learning，是一款基于百度 PaddlePaddle 打造的深度强化学习框架。PaddlePaddle PARL 凝聚了百度多年来在强化学习领域的技术深耕和产品应用经验。与现有强化学习工具和平台相比，PaddlePaddle PARL 具有更高的可扩展性、可复现性和可...
一份带有浓重Windows气息的PARL多机多卡训练环境部署教程
qq_42988544的博客
06-26 864
一份带有浓重Windows气息的多机多卡PARL训练环境部署教程Windows小白挑战Ubuntu18.04多机多卡PARL训练环境部署新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 Windows小白挑战Ubuntu18
强化学习包PARL1.3.1，使用cpu飞桨报错
weixin_43938942的博客
06-30 3439
在使用CPU版本得PaddlePaddle1.8.1和强化学习包parl1.3.1版本时，进行训练会报错 Found non-empty CUDA_VISIBLE_DEVICES. But PARL found that Paddle was not complied with CUDA, which may cause issues. if you want to use GPU, please try to install GPU version PaddlePaddle by: pip install
百度深度强化学习框架PARL技术学习笔记
u011293656的博客
06-21 1100
这里写自定义目录标题百度深度强化学习框架技术笔记新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 百度深度强化学习框架技术笔记 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markd
百度paddlepaddle学习之强化学习工具PARL
upenggod的博客
06-26 1180
这里写目录标题PARL介绍特点框架结构ModelAlgorithmAgent简易高效的并行接口安装:依赖算法示例使用场景安装安装 PARL介绍 特点 **可复现性保证。**我们提供了高质量的主流强化学习算法实现，严格地复现了论文对应的指标。 **大规模并行支持。**框架最高可支持上万个CPU的同时并发计算，并且支持多GPU强化学习模型的训练。 **可复用性强。**用户无需自己重新实现算法，通过复用框架提供的算法可以轻松地把经典强化学习算法应用到具体的场景中。 **良好扩展性。**当用户想调研新的算法时，可以
机器学习——lightGBM（学习整理）
最新发布
CXDNW的博客
08-22 1119
LightGBM 是 微软的 一个团队 在 Github 上开发的一个 开源项目，高性能 的 LightGBM 算法具有分布式 和 可以 快速处理大量数据的 特点。LightGBM 虽然 基于 决策树和 XGBoost 而生，但它 还遵循 其他不同的 策略。XGBoost 使用决策树 对一个 变量进行 拆分，并在 该变量上 探索不同的 切割点（按级别划分的 树生长策略），而LightGBM 则 专注于 按叶子节点 进行拆分，以便 获得更好的 拟合（按叶划分的树生长策略）。
parl的多智能体强化学习代码
12-14
parl是一个多智能体强化学习框架，它能够帮助开发者快速构建和训练多智能体系统。parl提供了一种简单而强大的方式来实现分布式强化学习，使得多个智能体可以共同学习和合作完成任务。 parl的多智能体强化学习代码...
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