DQN训练雅塔丽游戏Pong

@㏑

已于 2023-02-28 21:24:35 修改

阅读量625

点赞数 1

文章标签：游戏 python 深度学习

于 2023-02-28 21:21:10 首次发布

本文链接：https://blog.csdn.net/duwei1122/article/details/129269587

版权

该文分享了使用深度Q网络(DQN)在Aritta平台上对Pong游戏进行训练的过程，模型在1000个回合后开始收敛。作者提供了基于PyTorch1.8.0和CUDA10.2的实现代码，奖励曲线显示了训练效果。读者可以查阅GitHub上的参考资料以了解更多详情。

摘要由CSDN通过智能技术生成

基于DQN的Arita中Pong游戏的训练结果，在1000个回合之后开始收敛。
已经将训练好的模型放在代码中。
torch = 1.8.0+cuda10.2
Python = 3.8
奖励曲线：
在这里插入图片描述

DQN训练结果

参考代码：https://github.com/jmichaux/dqn-pytorch
本文代码：链接：https://pan.baidu.com/s/1hvjfO3C5XNO0XjZga6vceQ
提取码：mhkz

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

@㏑

关注关注

1
点赞
踩
8

收藏

觉得还不错? 一键收藏
4
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

deep-reinforcement-learning-atari-pong:强化学习DQN算法的PyTorch在OpenAI Atari Pong游戏中的应用

03-12

Atari Pong中的深度强化学习算法概括此应用程序的目标是找出深度Q学习（DQN）在OpenAI环境中对Pong的Atari 1600游戏有多准确和有效。在DQN之上，测试了对相同算法的其他改进，包括多步DQN，Double DQN和Dueling DQN。从下图可以看出，基本DQN仅需玩约110场游戏即可达到类似于人的准确性，而经过300场游戏即可达到极高的准确性。此项目中考虑的DQN改进版本显示出效率和准确性方面的一些改进。基本DQN：第1集与第216集环保环境 Atari 1600仿真器由OpenAI制作，您可以在59种不同的游戏上测试您的强化算法。使用深度强化学习，因为输入是当前帧（210x160x3）的RGB图片。由于RGB图片的计算量太大，因此变成了灰度。接下来是将图像缩减采样并将其剪切到可播放区域，该区域的大小为84x84x1。灰度，下采样和裁剪

DQN代码实战，gym经典CartPole（小车倒立摆）模型，纯PyTorch框架，代码中包含4种DQN变体，注释清晰。

05-27

亲身实践的DQN学习资料，环境是gym里的经典CartPole（小车倒立摆）模型，目标是使倒立摆不倒且小车位置不出界。纯PyTorch框架，不像Tensorflow有各种兼容性警告。做了很好的可视化，可直观感受强化学习DQN的学习效果。是入门强化学习的很好的途径。

4 条评论您还未登录，请先登录后发表或查看评论

深度强化学习方法（DQN）玩转Atari游戏（pong）

libenfan的博客

05-30

1万+

Atari Pong 简介 Pong是起源于1972年美国的一款模拟两个人打乒乓球的游戏，近几年常用于测试强化学习算法的性能。这篇文章主要记录如何用DQN实现玩Atari游戏中的Pong，希望对和我一样的小白有所帮助，文章最后附本文代码及参考代码环境介绍： torch = 1.8.0+cu111 Python = 3.8.5 装环境的过程见本人另一篇博客https://blog.csdn.net/libenfan/article/details/116396388?spm=1001.2014.3001.

关于Pong DQN Reinforcement Learning

qq_30501837的博客

10-25

1657

DQN（Deep Q-Learning）可谓是深度强化学习（Deep Reinforcement Learning，DRL）的开山之作，是将深度学习与强化学习结合起来从而实现从感知（Perception）到动作（ Action ）的端对端（End-to-end）学习的一种全新的算法。

强化学习 8 —— DQN 代码 Tensorflow 2.0 实现

靡不有初鲜克有终

08-10

1万+

在上一篇文章强化学习——DQN介绍中我们详细介绍了DQN 的来源，以及对于强化学习难以收敛的问题DQN算法提出的两个处理方法：经验回放和固定目标值。这篇文章我们就用代码来实现 DQN 算法一、环境介绍 1、Gym 介绍本算法以及以后文章要介绍的算法都会使用由 OpenAIOpenAIOpenAI 推出的GymGymGym仿真环境， GymGymGym 是一个研究和开发强化学习相关算法的仿真平台，了许多问题和环境（或游戏）的接口，而用户无需过多了解游戏的内部实现，通过简单地调用就可以用来测试和仿真，并

Python-DQN代码阅读(7)

aaaccc444的博客

04-14

941

Python-DQN代码阅读(7) 1.1设置ε值 1.2 设置时间步长总数 1.3主循环贯穿整个回合 1.4跟踪时间步长 1.5更新目标网络

DQN-Atari:Atari pong的深度Q学习（DQN）实施

05-04

游戏视频-DQN Nature Paper 每集奖励实施摘要 DQN自然架构实施输入：84×84×4图像（使用历史记录的最后4帧）转换层1：32个8×8滤光片，步幅为4 转换层2：64个4×4步幅的滤镜转换层3：64个3×3滤光片，步幅为1...

基于深度强化学习DQN的FlappyBird游戏AI开发 .zip

最新发布

04-12

基于深度强化学习DQN的FlappyBird游戏AI开发 .zip 基于深度强化学习DQN的FlappyBird游戏AI开发 .zip 基于深度强化学习DQN的FlappyBird游戏AI开发 .zip 基于深度强化学习DQN的FlappyBird游戏AI开发 .zip 基于深度强化...

DQN强化学习训练Flappy Bird游戏Python代码基于TensorFlow和Pygame

02-07

# DQN强化学习训练Flappy Bird游戏Python代码基于TensorFlow和Pygame ## 介绍 DQN（Deep Q-Network）是一种卷积神经网络，基于Q学习的思想进行训练，其输入是原始像素，输出是估计未来奖励的值函数。 ## 安装依赖...

强化学习DQN实现倒立摆游戏

12-12

# Inverted-Pendulum 强化学习大作业1 倒立摆包括Q值迭代、SARSA、DQN三种算法。 game的my_Pendulum是按gym的环境定义的我自己的倒立摆环境，其参数与game的Pendulum-v0不同

dqn-pong-master：深度学习课程最终项目

02-19

以下存储库详细介绍了使用强化学习的深度学习代理的实现，特别是详细介绍了深度Q网络的使用，以在经典Atari 2600主机游戏Pong的上下文中实现最新的结果。给定的解决方案包括高级优化工具，例如epsilon-greedy算法，重播缓冲区和目标网络，以进一步提高代理的准确性。结果表明，我们的模型设法胜过硬编码的Pong代理，并以21-0（最高分）获胜。

多种深度强化学习算法在雅达利游戏pong中的设计与实现

06-03

本项目聚焦于在雅达利游戏“Pong”中的应用，这是一种经典的双人乒乓球游戏，为DRL算法提供了一个简单但具有挑战性的测试平台。在“Pong”游戏中，智能体的目标是通过控制挡板来拦截对方的球，防止其穿过底线，...

BUAA 强化学习DQN代码及实验报告参考

qq_52698429的博客

10-22

1178

BUAA深度学习作业我的世界dqn代码参考

DQN代码详解

weixin_43989828的博客

11-17

5737

自己用的DQN代码，大概理解了一些，随便记记 1.import部分 import torch import torch.nn as nn import torch.nn.functional as F import numpy as np from collections import deque import random 2.第一个类：构建神经网络 class Net(nn.Module): def __init__(self, state_dim, action_dim):

DQN初探之学习Breakout-v0

Azahaxia的博客

05-05

5648

DQN初探之学习"Breakout-v0" 本文记录了我初次使用DQN训练agent完成Atari游戏之"Breakout-v0"的过程。整个过程仿照DeepMind在nature发表的论文"Human-level control through deep reinforcement learning"。 1.gym环境之"Breakout-v0" 1.1.环境的状态空间和动作空间首先确定"Breakout-v0"的动作空间和状态空间，其状态是游戏截图。 env = gym.make('Breakout-

强化学习：GPU加速DQN玩倒立摆代码

赛亚茂的博客

09-15

1523

强化学习：GPU加速DQN玩倒立摆代码

深度强化学习-DQN算法原理与代码

热门推荐

weixin_46133643的博客

12-10

4万+

DQN算法是DeepMind团队提出的一种深度强化学习算法，在许多电动游戏中达到人类玩家甚至超越人类玩家的水准，本文就带领大家了解一下这个算法，论文的链接见下方。论文：https://www.nature.com/articles/nature14236.pdf 代码：后续会将代码上传到Github上... 1 DQN算法简介 Q-learning算法采用一个Q-tabel来记录每个状态下的动作值，当状态空间或动作空间较大时，需要的存储空间也会较大。如果状态空间或动作空间连续，则该算法无法使用。因

DQN的Python代码

weixin_35756892的博客

02-10

812

DQN (Deep Q-Network) 是一种强化学习算法，通过使用深度神经网络来学习 Q 函数来实现对智能体的控制。下面是一个简单的 DQN 的 Python 代码示例： ``` import random import gym import numpy as np from collections import deque from keras.models import Sequentia...

强化学习之DQN（deep Q-network）算法

niulinbiao的博客

07-18

2763

DQN算法是深度学习领域首次广泛应用于强化学习的算法模型之一。它于2013年由DeepMind公司的研究团队提出，通过将深度神经网络与经典的强化学习算法Q-learning结合，实现了对高维、连续状态空间的处理，具备了学习与规划的能力。

实现pycharm下pytorch框架下DQN 训练atari游戏tennis

04-08

Sure, I can help you with that! To implement DQN training for Atari games tennis in PyCharm using PyTorch framework, you can follow the steps below: 1. Install necessary packages: You will need to install PyTorch, gym, and opencv-python packages. You can use pip to install them. 2. Import necessary libraries: Import the necessary libraries like torch, numpy, gym, and cv2. 3. Create the environment: Create the environment using gym.make("Tennis-v0") function. 4. Define the model: Define the deep neural network model for the DQN algorithm using PyTorch. 5. Define the replay buffer: Define the replay buffer to store the experiences of the agent. 6. Define the training loop: Define the training loop where you will update the network weights and perform the DQN algorithm. 7. Train the model: Finally, train the model for the desired number of episodes. I hope this helps! Let me know if you have any further questions.