李宏毅深度强化学习笔记（一）Outline

最新推荐文章于 2024-08-19 16:25:00 发布
最新推荐文章于 2024-08-19 16:25:00 发布
阅读量571 收藏 7
点赞数 1
分类专栏： 强化学习
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/qq_34662278/article/details/88975324
版权
本文是李宏毅深度强化学习课程的笔记概述，介绍了课程评价、强化学习的基本概念和特点，如推迟得到的回报和采取行动对后期数据的影响。文章列举了强化学习的应用实例，如Alpha GO和聊天机器人，并概述了Policy-based和Value-based方法。后续笔记将详细讨论Actor-Critic算法。
摘要由CSDN通过智能技术生成
最低0.47元/天 解锁文章
像我这样迷茫的人
关注
专栏目录
强化学习PPT课件.pptx
10-08
强化学习PPT课件.pptx
【笔记2-1】李宏毅深度强化学习笔记（一）Outline
cindy_1102的博客
02-24 1万+
李宏毅强化学习-1 IntroductionReinforcement learning:Examples:Properties of RL:RL ApproachPolicy-based approach -- learn an actorValue-based approach -- learn a criticActor-Critic Reinforcement learning: What...
强化学习 李宏毅 上课笔记（一）
m0_74304054的博客
08-19 603
这是因为假如某个动作带来的回报很大，但是没有被抽样到，此时其他的动作带来的回报就会变得更大（抽样更多）。此时设置b为baseline，让其他回报小但抽样多的动作，得到的是负回报，这样最终的结果可以趋向于真实值。的梯度，举个例子，当奖励是正的，说明这个策略是好的，那么就让当前的趋势，也就是奖励。基于策略的，mm输出是下一步的各种可能的期望，从而直接做出策略，该怎么走。基于值的，mm输出的是当前状态到终点可以获得的奖励（R）的期望。我们会认为执行动作b可以带来3的回报，与预期不符。保持这样的趋势，就是加上它。
李宏毅深度强化学习笔记
weixin_46156798的博客
08-31 973
文章目录增强学习（RL）的一些基本概念：RL的基本组成：三者相互作用的过程：Policy：轨迹的概率：Expected Reward：Policy gradient:On-policy→\rightarrow→Off-policyImportance Sampling：PPO:注： 增强学习（RL）的一些基本概念： RL的基本组成： 1-actor：即操纵/需要学习的对象，如飞机大战里的飞机 2-environment：外部环境，如飞机大战里除了飞机以外的所有东西，他们均为游戏内部设定 3-reward：回
李宏毅《Deep Learning》学习笔记 - 强化学习
好记性不如烂笔头
07-12 954
强化学习 学习资料：PPT, Video 1. Policy-based Approach 1.1 使用NN作为Actor 1.2 设计损失函数 在开始设计RL的损失函数之前，我们先来回归一下监督学习中的损失函数。 RL中常用的损失函数是total reward的期望值，另外，即便同一个actor在玩游戏，产生的序列也是不一样的，原因是由于游戏中的随机性。 产生的不同序列的概率，计算方式如上。其中，只有与θ\thetaθ相关的，才受actor影响。 reward的期望值，可以用N次游戏的rewa
【李宏毅深度强化学习笔记】—1、策略梯度方法（Policy Gradient）
qq_43703185的博客
06-30 673
1、介绍了actor、environment、reward function2、在深度强化学习中，policy可以看成是参数为的网络，输入state，输出采取各种action的概率3、一轮游戏叫做episode4、trajectory={s1,a1,s2,a2,……}，在给定policy的参数的情况下，可以计算每一个存在的概率。5、总的expected reward=6、使用policy gradient ascend求 expected reward的最大值。
李宏毅深度强化学习PPT（含机器学习课程对RL的简介）
11-01
在这个由李宏毅教授提供的课程中，他深入浅出地讲解了这一前沿技术，包括对强化学习的基本概念、算法以及深度学习如何在其中发挥作用的详细解释。 强化学习是一种通过与环境交互来学习最优策略的学习方式。在这个...
李宏毅老师2021深度学习课程笔记.pdf
10-08
李宏毅老师的2021深度学习课程笔记中提到了几个关键知识点，涉及了深度学习训练技巧以及理论基础。 首先，课程提到了模型泛化能力的重要性，尤其是在模型的测试集划分上。这里提到了两种测试集的划分：public ...
李宏毅深度学习学习笔记 Task0
08-15
在探讨李宏毅深度学习学习笔记Task0的内容之前，我们需要对深度学习的基本概念有所理解，然后才能根据笔记内容提取具体的知识点。深度学习是机器学习领域的一个分支，它通过建立、训练和应用多层的人工神经网络来...
李宏毅强化学习课程笔记
最新发布
10-10
李宏毅强化学习精心制作笔记
李宏毅深度学习课件.rar
12-02
总之，“李宏毅深度学习课件.rar”是一个全面且深入的学习资源，它将引导你走过深度学习的每一个重要阶段，从理论到实践，从基础到高级。结合PyTorch的实际操作，你将能够独立完成深度学习项目，解决实际问题，为你...
强化学习学习笔记-李宏毅
weixin_44994838的博客
05-22 759
ref https://www.youtube.com/watch?v=OAKAZhFmYoI&ab_channel=Hung-yiLee
【深度学习】04-02-自注意力机制多种变形-李宏毅老师21&22深度学习课程笔记
星辰不问
08-23 1538
【深度学习】05-02-自注意力机制多种变形-李宏毅老师21&22深度学习课程笔记
李宏毅2018深度强化学习课程笔记
Kyling817的博客
11-02 123
*缺点：**要估测两个网络，损失比较大。
深度强化学习的优缺点与实际应用
AI天才研究院
12-31 1791
1.背景介绍 深度强化学习(Deep Reinforcement Learning，DRL)是一种结合了深度学习和强化学习的人工智能技术，它可以让计算机系统通过与环境进行互动来学习和优化行为策略，从而实现自主地完成复杂任务。 强化学习(Reinforcement Learning，RL)是一种人工智能技术，它通过在环境中进行交互来学习如何做出最佳决策，以最大化累积奖励。强化学习的主要组成部分包...
【李宏毅机器学习】注意力机制
INGg__的博客
08-21 920
我们会遇到不同的任务，针对输出的不一样，我们对任务进行划分给多少输出多少给一堆向量，输出一个label，比如说情感分析还有一种任务是由机器决定的要输出多少个label，seq2seq的任务就是这种，翻译也是。
李宏毅自注意力机制(self-attention)和Transformer详解笔记
qq_45607888的博客
01-11 1567
在self-attention中，a1与a2,a3,a4分布计算相关性，把a1乘以wq得到q1（q有个名字叫query），a2乘以wk得到k2（k称之为key），然后q1与q2做点积得到α1,2（老师课程中说的是inner product，推测是口误了），α1,2称为a1与a2的attention score，a3与a4同理得到a1,3和a1,4，self-attention的输入是一串的vector，这些vector可能是整个网络的输入，也可能是某个隐藏层的输出，每个b向量都是考虑所有的a向量而生成的。
【李宏毅 | 深度学习】自注意力机制（Self-attention）
Luo_LA的博客
09-22 1103
但是在上图的例子中，一句话中的两个saw是不同词性的，但是通过相同的网络得到输出没有理由是不一样的，因为输入的向量完全一样。如果增加输入的复杂度，例如输入的是多个向量，或者每次输入的向量的个数是会改变的。例如，在文字处理中，如果把一句话中的每一个单词作为一个向量，那么一个输入就会有多个向量，又因为不同样本的句子长度不同，所以每次输入的向量的个数也是会改变的。首先 Self-attention 的输入是多个向量，这些向量可能是一整个神经网络的输入，也可能是某个隐藏层的输出，所以在这里用。
李宏毅强化学习完整笔记！开源项目《LeeDeepRL-Notes》发布
热门推荐
龙哥盟
11-22 3万+
Datawhale开源 核心贡献者：王琦、杨逸远、江季 提起李宏毅老师，熟悉强化学习的读者朋友一定不会陌生。很多人选择的强化学习入门学习材料都是李宏毅老师的台大公开课视频。 现在，强化学习爱好者有更完善的学习资料了！ Datawhale开源项目组成员总结了李宏毅的强化学习视频，实现了视频教程的完整梳理和复现，再也不用担心强化学习。 目前，项目已完全开源，包括课程内容、配套的习题和项目，供大家使用。 1. 李宏毅深度强化学习简介 李宏毅老师现任台湾大学电气工程系副教授，主要研究方向是机器学习，特别是深度学习
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