增强学习DNQ算法实现Breakout Game（OpenAI/gym +TensorFlow）Ubuntu 16.04

最新推荐文章于 2024-06-25 17:09:05 发布
最新推荐文章于 2024-06-25 17:09:05 发布
阅读量4.8k 收藏 12
点赞数 1
文章标签： DeepLearing DQN 增强学习 打砖块
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_36122936/article/details/88624215
版权
本文介绍了如何在Ubuntu 16.04上通过OpenAI Gym和TensorFlow实现深度Q学习（DQN）算法，解决打砖块游戏（Breakout Game）。首先，详细讲解了配置环境的过程，包括安装pip3、OpenAI Gym及其依赖库。接着，指导如何处理TensorFlow的安装问题，提供了手动下载和安装的解决办法。最后，给出了GitHub上的代码链接，读者可以直接运行main.py程序来体验增强学习的应用。
摘要由CSDN通过智能技术生成

github地址https://github.com/Donottakenleeplease/DQN

最近几天一直在做某选修课的作业,题目如下：

于是就去找相关的代码跑起来。首先当然是配置环境啦。

sudo apt-get update 
sudo apt-get install python3-pip
sudo apt-get install -y python-numpy python-dev cmake zlib1g-dev libjpeg-dev xvfb libav-tools xorg-dev python-opengl libboost-all-dev libsdl2-dev swig

上面是安装pip3以及OPENAI/gym相关的依赖库，如果有报错就尝试sudo apt-get update

接下来使用pip3安装TensorFlow(cpu)和gym

sudo pip3 install tensorflow
sudo pip3 install gym
sudo pip3 install gym[atari]
sudo pip3 install opencv-python  安装基于python的opencv

我着脸装TensorFlow是一切顺利的，如果有报错的话  可以考虑手动把tensorflow的tensorflow-1.2.1-cp35-cp35m-linux_x86_64安装包下载下来到自己的目录并且安装。

安装完之后就可以直接运行main.py程序啦，程序在我的github上。

KL_Li
关注
  • 1
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
breakout-Deep-Q-Network:强化学习| 在Atari Breakout上执行DQN，对决DQN和Double DQN的tensorflow实现
05-11
突破-深度-Q-网络 :person_running: [强化学习]在Atari Breakout游戏上执行的Deep Q Network（DQN），决斗DQN和Double DQN的张量流实现 安装 键入以下命令以安装OpenAI Gym Atari环境。 $ pip3 install opencv-python gym gym[atari] 如果您在安装时遇到任何问题，请参考。 如何 请不要修改test.py ， environment.py ， agent_dir/agent.py 培训DQN： $ python3 main.py --train_dqn 测试DQN： $ python3 test.py --test_dqn 注意：该环境还提供了用于游戏pong的界面，但是我尚未实现该模型。 执行 算法：具有经验重播的深度Q学习 参考：第5页，“使用深度强化学习玩Atari” 这是没有装饰的最简
强化学习Double DQN方法玩雅达利Breakout游戏完整实现代码与评估pytorch
一颗蚂蚱
01-09 2749
基于Pytorch实现Double DQN方法在雅达利Breakout游戏上，设置不同超参数进行训练，并简单分析结果。后附完整代码。
危！OpenAI 将限制中国开发者访问 API 服务
最新发布
AI科技大本营
06-25 605
整理 | 王启隆出品 | CSDN（ID：CSDNnews）今天，许多开发者从 OpenAI 那收到了一份警告信：您好， 据我们的数据监测，贵组织正从 OpenAl 当前未支持的区域产生 API 访问流量。您可以在官网查阅我们所支持的国家与地区名单。请注意，自 7 月 9 日起，我们将对不在此支持名单上的区域实施 API 访问限制措施。为了确保持续使用 OpenAl 的各项服务，请在被支持的区域内...
多种深度强化学习算法在雅达利游戏breakout中的设计与实现
06-02
多种深度强化学习算法在雅达利游戏breakout中的设计与实现
Win10环境下使用WSL安装OpenAI/gym +TensorFlow用强化学习DQN打砖块(Breakout Game)
热门推荐
小鹅鹅的博客
02-27 1万+
实现目标 我们的目标是在Windows 10系统上具体实现DeepMind论文中强化学习算法Q-learning Network(DQN)的训练过程。 随着每次训练，强化学习算法将拿到越来越高的分，具体强化学习与DQN的前置知识可以参考这里 注意：子系统无法安装CUDA，所以只能使用CPU版的TensorFlow，具体可以参考下图 运行环境 Win 10 + Ubuntu 1...
DNQ算法原理(Deep Q Network)
Williamtym的博客
08-23 5225
Q-table中的每一行代表一个状态，每一列代表一个动作，表格中的每个元素Q(s,a)表示在状态s下采取动作a所能获得的最大收益的期望值。然后当没有达到目标状态，则执行一下几步，在当前状态s的所有可能行为中选取一个行为a，再利用选定的行为a，得到下一个状态s1，按照前面规定的计算方式来计算Q(s, a)，再把s1赋值给我们的s，进行下一步迭代计算。表示在当前s∈S状态下，经过a∈A作用后，会转移到的其他状态的概率分布情况，在状态s下执行动作a,转移到s'的概率可以表示为p(s|s,a)
DNQ算法实现俄罗斯方块流程
05-11
DNQ算法可以用来实现俄罗斯方块游戏的自动下落和消除方块的功能。其流程如下： 1. 分治：将当前下落方块拆分成若干个小方块。 2. 合并：将每个小方块向下移动一格，如果无法下落则合并回去。 3. 判断：检查每一行...
DNQ强化学习算法原理
05-20
DNQ（Dueling Network Q-Network）是一种强化学习算法，它是基于DQN（Deep Q-Network）算法的改进版本。 DQN算法将Q-learning算法与深度神经网络相结合，通过学习价值函数来优化智能体的行为。然而，DQN算法存在一...
AI.rar_DNQ_用人工智能玩小游戏
09-20
一个简单的人工智能神经网络，训练一段时间后可以自动接球，但是需要的硬件性能比较强10系显卡比较好，需要安装python3.6.5 ,tensorflow,等，不会安装找我，我有教程。
帮我写一个寻宝的DNQ算法的python，基于pytorxh的程序
06-02
好的，下面是一个基于PyTorch的DQN算法实现，用于寻宝游戏： ``` import random import numpy as np import torch import torch.nn as nn import torch.optim as optim class DQN(nn.Module): def __init__(self,...
Breakout-RL：使用带有CNN的DQN解决OpenAI Gym Env突破
02-20
Breakout-RL：使用带有CNN的DQN解决OpenAI Gym Env突破
DNQ（1）
moqisaonianqiong的博客
05-14 3132
什么是DQN DQN（Deep Q Network）是一种用Q Learing和神经网络结合的一种强化学习的方法，相比于传统的Q Learning运用了神经网络的方法。 神经网络的作用 对比于传统的Q Learning,DQN还额外附加了一个NN（Neural Network），它的通过输入的状态S得到各个不同的动作Actions的Q值**（注意：Q值和奖励Reward不同）**。 另一个作用，在DQN中存在一个存储器，存储了模型在自我学习过程中的S（当前状态），A（采取的某一个行动），R（该动作的奖励
强化学习笔记------第一章----强化学习概述（超详细）
w18165269429的博客
03-30 1409
强化学习讨论的问题是一个智能体（agent）怎么在一个复杂不确定的环境（environment）里面去极大化他能获得的奖励。 首先，我们可以把强化学习和监督学习做一个对比。 例如图片分类，===监督学习（supervised learning）==指的是我们有一大堆标注的数据，如飞机、汽车等等，这些图片都要满足独立同分布（i.i.d），意思就是他们之间是没有关联的。 然后我们训练一个分类器，为了分辨出这个图片是车辆或是飞机，我们需要将真实的标签给神经网络，去训练这个网络，当网络做出了一个错误的预测，就会直接
（202401）深度强化学习基础与实践1：马尔科夫过程、DNQ算法回顾
raw_inputhello的博客
01-16 1067
所以引入了“随即优先级采样”和“重要性采样”（重要性采样是以后总用于估计某一分布性质的方法，它的基本思想是，我们可以通过与带古迹分布不同的另一个分布中采样，然后通过采样样本的权重来估计待估计分布的性质）的技巧。状态或者说环境会发生变换，并且这些变化不是由于智能体的行为导致的，描述这个的特点的矩阵就是状态转移矩阵，状态转移矩阵是环境的一部分。不过经验回放的容量应当是有限的，不是由于成本导致的，而是因为在训练初期的样本数据质量相对于后面是不好的，所以应当从更新的样本中抽取样本进行训练。
DNQ(2)
moqisaonianqiong的博客
05-14 1389
title: DQN(Deep Q Network)—（2） date: 2021-05-08 11:41:04 tags: Python Reinforcement Learning categories: 强化学习 续DQN 上图为整个神经网络的结构图，很明显可以看到神经网络包含2个网络结构—target_net和eval_net。 eval_net是一个实时神经网络，每次进行强化学习的过程，它的参数都会更新训练，所以它是一个实时神经网络。 target_net是一个延迟神经网络，它的网络结构.
DQN初探之学习Breakout-v0
Azahaxia的博客
05-05 5638
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-
DL-DQN(Deep Q Network )&&DNQ强化学习
晴天下的大头娃娃
06-09 622
神经网络的作用 我们使用表格来存储每一个状态 state和在这个 state 每个行为 action 所拥有的 Q 值. 神经网络可以将状态和动作当成神经网络的输入, 然后经过神经网络分析后得到动作的 Q 值, 这样我们就没必要在表格中记录而是直接使用神经网络生成 Q 值. 还有一种形式的是只输入状态值, 输出所有的动作值, 然后按照 Q learning 的原则, 直接选择拥有最大值的动作当做下一步要做的动作. 我们可以想象, 神经网络接受外部的信息, 相当于眼睛鼻子耳朵收集信息, 然后通过大
深度强化学习 ( DQN ) 初探
Qcloud_KID的博客
05-04 4140
1. Google的DQN论文 2015年2月，Google在Nature上发表了一篇论文(见附件)：Human-level control through deep reinforcement learning。文章描述了如何让电脑自己学会打Atari 2600电子游戏。 Atari 2600是80年代风靡美国的游戏机，总共包括49个独立的游戏，其中不乏我们熟悉的Breakout
评论 3
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