1回答
从这段代码https://github.com/jaromiru/cwcf开始，我想用CNN替换用于Q函数近似的MLP，但我不知道该怎么做。有人能帮我吗？谢谢
浏览 19提问于2020-04-01得票数 1
回答已采纳
1回答
深入的Q-学习，A3C，政策进化的遗传算法，他们都没有学习小行星，或至少表现比人类差得多。根据RL的说法，从最艰难的Atari游戏来看，大部分的焦点都集中在蒙特祖马的复仇上，这显然受到了很少的奖励。以下是一些报告小行星上的坏结果的论文(有些文章互相引用)：深度强化学习的大规模并行学习方法
浏览 0提问于2018-02-16得票数 3
回答已采纳
如果不使用深层神经网络(DNN)来实现强化学习算法，比如深度Q-网络(DQN)，可以实现吗？在下面的DQN伪码中，如果我想用另一种无监督算法替换DNN部分，它可能吗？
浏览 0提问于2018-08-31得票数 3
1回答
基于强化深度学习的目标检测
、、、、
在阅读了使用CNN(R，较快R，YOLO，YOLOv2，SSD)的目标检测技术的最新进展之后，我想知道是否有一种有效的方法将深度学习和强化学习用于对象检测？
浏览 0提问于2018-02-23得票数 0
回答已采纳
1回答
并行Q-学习
、、、、
我正在寻找学术论文或其他可信的来源，侧重于平行强化学习的主题，特别是Q-学习。我最感兴趣的是在进程之间共享Q表的方法(如果每个进程都有自己的进程，则将它们连接/同步在一起)。我也希望对链接/提到的来源中使用的方法进行简要的描述。
我应该指出，我使用神经网络(PyBrain)作为近似。
浏览 0提问于2016-01-14得票数 4
6回答
我试图找一个代理来学习在强化学习环境中最好地执行某些任务所需的鼠标移动(即奖励信号是学习的唯一反馈)。我希望使用Q-学习技术，但是虽然我已经找到了，但我似乎不知道如何用一个连续的操作空间来解决问题。由于标准的Q-学习要求agent对所有可能的行为进行评估，这样的近似并不能解决任何实际意义上的问题。
浏览 8提问于2011-08-17得票数 50
回答已采纳
1回答
我正在实现连续强化学习(用深度强化学习的连续控制)，但在优化策略-神经网络时遇到了一些问题。然而，由于Q-神经网络(最初)不是Q(状态，动作)的完全逼近，当政策的作用变得很大/无限时，我遇到了问题。当行动->无限时，Q->无穷大，这意味着策略的权重被优化到非常大或无限大的值。Morover，当政策开始输出接近无穷大的值时，这意味着q-值变得太大，而增强值变得不相关，因为"r + gamma*Q“被非常大的q-</
浏览 1提问于2017-04-29得票数 2
我几乎没有机器学习的背景知识，所以如果我的问题显得很愚蠢，请原谅我。基于我所读到的，到目前为止最好的无模型强化学习算法是Q-学习，其中在代理世界中的每个状态，动作对都被赋予一个q-值，并且在每个状态下选择Q值最高的动作。因此，在Q-学习的实际实现中，需要通过对状态特征的推广，使用Q-值近似.例如，如果代理是Pacman，那么其特性将是：
帕克曼在隧道里
浏览 4提问于2014-12-09得票数 4
回答已采纳
1回答
我有一个相当简单的游戏，我希望使用q-学习来训练一个代理，但是我有一些关于状态表示的问题。我的理解是，为了成功地实现Q-学习，您需要列举这个游戏的所有可能的状态。这是怎么做的？
浏览 0提问于2019-05-04得票数 3
2回答
我已经在这个神经网络中实现了Q-学习，然而，它并没有导致代理赢得更多的游戏时间(甚至在100万次游戏之后)。我将尝试用文字解释我做了什么，希望有人能发现一个错误，这可能导致这个问题。Q值是使用乙状结肠或RELU激活函数来确定的(我尝试了两者)。
我的qValues似乎要么很低(按0.0001的顺序)
浏览 2提问于2016-10-19得票数 2
1回答
我查看了这个简单的强化学习sarsa代码。
我看不到的是如何存储它的模型，就像我们过去在深度学习中存储CNN中的权重一样，所以我们可以加载模型并运行它，而不需要每次都训练它。在这方面有可能实现吗？
浏览 1提问于2020-03-31得票数 0
2回答
我的课程之一是“机器学习入门”，我一直想在这门课上做一个个人项目。为了训练一个简单的人工智能程序来玩游戏，我需要获得什么知识？这是我目前在机器学习中所知道的-统计推断可能是近似正确的模型，包括泛化界和模型选择。支持向量机(SVM)促进弱学习者向强学习者学习: AdaBoost回归决策树
浏览 0提问于2017-01-04得票数 9
回答已采纳
从纸上
通过深入强化学习来控制人的层次，Mnih等。什么是假设的场景，或实际的例子，在序列中存在的相关性干扰了“深度学习”近似器的使用？
浏览 0提问于2018-01-15得票数 1
2回答
作为深度强化学习的初学者，我很困惑为什么我们应该在强化学习中使用马尔可夫过程，以及它给强化学习带来了什么好处。另外，马尔可夫过程要求在“已知”条件下，“现在”与“未来”无关。为什么一些深度强化学习算法可以使用RNN和LSTM？这是否违反了马尔可夫过程的假设？
浏览 4提问于2020-12-23得票数 0
3回答
大多数零值数据的深度神经网络
、、、、
我应该使用哪种深度神经网络方法？我在考虑RNN或CNN，但我不确定这些是否是最好的选择。我在考虑一些会忽略零值的方法，即在计算中不考虑零值。我觉得RNN能做到。但我不太确定。
浏览 0提问于2017-08-07得票数 4
我正在学习“深度强化学习”，并在pytorch的强化学习(DQN)教程之后构建我自己的示例。据我所知，在使用BatchNorm1d时，必须执行model.eval()才能使用模型，因为eval()和train()模式有不同的结果。在训练分类神经网络时，model.eval()只在训练结束后进行，但在“深度强化学习”的情况下，通常采用策略，然后继续优化过程。
我想知道不同模式之间的来
浏览 3提问于2019-10-18得票数 3
回答已采纳
经验重播出现在许多其他强化学习论文(特别是AlphaGo论文)中，所以我想了解它是如何工作的。以下是一些摘录。首先，我们使用了一种被称为经验回放的生物激励机制，它将数据随机化，从而消除了观测序列中的相关性，并平滑了数据分布的变化。然后，本文详细阐述了以下内容：
而在强化学习设置中训练神经网络的其他稳定方法，如神经拟合Q-迭代法，则需要对网络进行重复训练，以达到数百次迭代。我们使用图1所示的深卷积神经网络参数化了一个近似值函数Q(s, a; \theta
浏览 0提问于2017-07-19得票数 49
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
