- 综合排序
- 最热优先
- 最新优先
- 来自专栏信数据得永生
TensorFlow 强化学习：6~10
在可用的技术中，强化学习在学习和计划中表现更好。 我们已经知道，强化学习在涉及高维和连续状态动作空间时有许多成功的案例。 强化学习和其他方法 已经设计出许多方法来解决实时策略游戏的问题。 为什么是强化学习？ 强化学习相对于其他 AI 方法脱颖而出的原因如下： 避免使用基于规则的手动编码方法。 强化学习不需要存储游戏的特定规则。 RTS 游戏中的强化学习 在这里，我们将讨论如何实现强化学习算法来解决实时策略游戏问题。 在19x19围棋中，大约有2.08 x 10^170，而在宇宙中有10^80个原子，而在象棋中有10^120个可能的移动。 因此，玩围棋游戏所需的智力深度已经吸引了人类多年的想象力。 正如我们之前研究的，在19x19围棋中大约有2.08 x 10^170个可能的移动，而宇宙中有10^80个原子和在国际象棋中有10^120个可能的移动。
87050编辑于 2023-04-27 - 来自专栏计算机视觉
深度学习500问——Chapter10：强化学习（1）
action（如向前走和跳起来的动作）；无人驾驶的action就是车左转、右转或刹车等等，它无时无刻都在与环境产生交互，action会反馈给环境，进而改变环境，如果自动驾驶的车行驶目标是100米，它向前开了10 还有，利用强化学习将手机用户点击率提升了 10-20%。 10.3 强化学习和监督式学习、非监督式学习的区别 在机器学习中，我们比较熟知的是监督式学习、非监督式学习，此外还有一个大类就是强化学习：当前的机器学习算法可以分为3种：有监督的学习（Supervised 需要注意的是，监督学习和非监督学习从一开始就是相对的，而强化学习在提出时并没有从训练样本歧义性的角度考虑其与监督学习和非监督学习的区别，因此，一些早期的研究中把强化学习视为一种特殊的非监督学习。 这与监督学习、非监督学习、强化学习等天生的歧义性完全不同。
49810编辑于 2024-06-07 - 来自专栏计算机视觉
深度学习500问——Chapter10：强化学习（2）
10.4 强化学习主要有哪些算法 强化学习不需要监督信号，可以在模型未知的环境中平衡探索和利用，其主要算法有蒙特卡罗强化学习，时间差分（temporal difference：TD）学习，策略梯度等。 典型的深度强化学习算法特点及性能比较如下图所示。 除了上述深度强化学习算法，还有深度迁移强化学习、分层深度强化学习、深度记忆强化学习以及多智能体强化学习等算法。 10.5 深度迁移强化学习算法 传统深度强化学习算法每次只能解决一种游戏任务，无法在一次训练中完成多种任务。迁移学习和强化学习的结合也是深度强化学习的一种主要思路。 10.6 分层深度强化学习算法 分层强化学习可以将最终目标分解为多个子任务来学习层次化的策略，并通过组合多个子任务的策略形成有效的全局策略。 而其他的如深度迁移强化学习、分层深度强化学习、深度记忆强化学习和多智能体深度强化学习等算法都是现在的研究热点, 通过这些算法能应对更为复杂的场景问题、系统环境及控制任务, 是目前深度强化学习算法研究的前沿领域
51810编辑于 2024-06-07 - 来自专栏AI科技评论
视频 | 10分钟带你认识强化学习
▷ 强化学习解读视频 本期 Arxiv Insights 将重点介绍机器学习中的子领域“强化学习”，也是机器人最具智能前景的方向之一。 有监督学习 VS 强化学习 在常见的机器学习应用中，人们会运用有监督学习，也就是给神经网络模型一个输入，但模型输出结果已成定局。因此你可以利用反向传播算法计算梯度，以训练此网络产生结果。 强化学习让智能体更聪明 想训练一个AlphaGo Zero，能够击败世界顶级选手？从理论上，不能运用监督学习。那么，有什么方法可以让智能体主动来玩游戏？这时候强化学习就有用了。 实际上，强化学习的框架与监督学习框架非常相似，仍旧有输入帧，并通过神经网络模型运行模型，输出各种人类操作。 在强化学习中，将输入帧转换为输出动作的网络，被称为策略网络。一个最简单的训练策略网络的方法，被称为策略梯度。
56150发布于 2018-07-27 - 来自专栏探物及理
强化学习笔记10：经典游戏示例 classic games
单agent 自驱动 强化学习 最佳响应 是 单代理RL问题的解决方案 其他玩家 变成环境的一部分 将游戏 抽象为MDP 最佳策略是 最佳响应 纳什平衡点 在 自学习RL问题中是 不动点 学习的经验是 四象限 搜索 Search 高性能平行字母搜索 逆向搜索 从赢的位置从后向前搜索 存储所有决胜点位置在 lookup 表中 在最后n步，表现完美 结果 Results 击败了世界冠军 4、自驱动强化学习 自学习 TD 在西洋双陆棋 Backgammon 权重随机初始化 自学习训练 使用非线性TD 学习算法 \[\begin{aligned} \delta_{t} &=v\left(S_{t+1}, 5、联合强化学习和最大化搜索 简单 TD Simple TD TD：向继承者的方向更新价值函数 ? 、在非完整信息中的强化学习 Game tree search 在不完美信息游戏中 ?
1.2K20发布于 2020-09-10 - 来自专栏深度学习
【深度学习】强化学习（五）深度强化学习
一、强化学习问题 强化学习的基本任务是通过智能体与环境的交互学习一个策略，使得智能体能够在不同的状态下做出最优的动作，以最大化累积奖励。 关于马尔可夫决策过程可详细参照：【深度学习】强化学习（二）马尔可夫决策过程 5、强化学习的目标函数 强化学习的目标是通过学习一个良好的策略来使智能体在与环境的交互中获得尽可能多的平均回报。 关于目标函数可详细参照：【深度学习】强化学习（三）强化学习的目标函数 6、值函数 在强化学习中，为了评估策略 \pi 的期望回报，引入了值函数的概念，包括状态值函数和状态-动作值函数。 关于值函数可详细参照：【深度学习】强化学习（四）强化学习的值函数 7、深度强化学习 深度强化学习是将强化学习和深度学习结合在一起，用强化学习来定义问题和优化目标，用深度学习来解决状态表示、策略表示和值函数建模等问题 数量庞大：比如围棋的棋局有 3^361 ≈ 10^{170} 种状态，动作（即落子位置）数量为361） 连续的：自动驾驶的环境包含大量的可能状态和动作 状态：智能体感知到的环境状态是各种传感器数据
1.7K10编辑于 2024-07-30 - 来自专栏学习
机器学习——强化学习与深度强化学习
强化学习与深度强化学习：从基础到深入 引言 近年来，强化学习（Reinforcement Learning, RL）在多个领域取得了巨大的进展。 本篇文章将深入探讨强化学习与深度强化学习的基本原理、常见算法以及应用场景，旨在为读者提供一个详尽的学习路线图。 1. 强化学习基础 1.1 什么是强化学习 强化学习是一种让智能体（Agent）通过与环境（Environment）交互，获得奖励（Reward）来学习如何采取行动的学习方法。 在强化学习中，智能体通过试错不断学习，以期最大化其累积的奖励。 强化学习的基本框架包括以下几个核心元素： 状态 (State)：智能体所处的环境状态。 未来，随着算法的改进和计算能力的提升，深度强化学习将在更多领域取得突破。 本篇文章介绍了强化学习和深度强化学习的基础理论、常见算法及其应用，希望能够帮助读者更好地理解这一领域。
3.8K10编辑于 2024-10-09 - 来自专栏深度学习
【深度学习】强化学习（一）强化学习定义
一、强化学习问题 强化学习的基本任务是通过智能体与环境的交互学习一个策略，使得智能体能够在不同的状态下做出最优的动作，以最大化累积奖励。 这种学习过程涉及到智能体根据当前状态选择动作，环境根据智能体的动作转移状态，并提供即时奖励的循环过程。 1、交互的对象 在强化学习中，有两个可以进行交互的对象：智能体和环境: 1. 学习功能： 智能体能够根据环境的反馈（奖励信号）来调整自己的策略。 学习的目标通常是最大化累积奖励，使智能体能够在与环境的交互中表现得更加智能。 通过智能体与环境之间的这种相互作用，智能体通过学习和不断调整其决策策略，逐渐学会在给定环境中获得最大化奖励的有效行为，这就是强化学习的基本框架。 2、强化学习的基本要素 强化学习涉及到智能体与环境的交互，其基本要素包括状态、动作、策略、状态转移概率和即时奖励。 1.
1.6K10编辑于 2024-07-30 - 来自专栏云计算行业
强化学习
三、深度学习给强化学习带来的新机会 最近几年的强化学习非常的热门，出现了一些脍炙人口的应用，他们都是深度学习和强化学习强强联合的产物，无论是基于价值的强化数据算法，还是基于策略梯度的强化学习算法，都可以脱离于深度学习存在 2013年，深度学习和强化学习结合起来，结合成了的深度强化学习算法。那么深度强化学习算法诞生以后，在强化训练领域马上就有突飞猛进的发展，解决问题的困难程度大大超过之前的非深度强化算法。 深度强化学习算法为什么常常能够比非深度强化学习算法更厉害呢，这是因为用了深度学习的强化学习方法可以求得更加复杂的解，能在更加困难的问题上得到更好的性能。 深度强化学习算法的很多思想都是来自于那些没有利用深度学习的经典算法，学习深度学习强化算法还是非常有意义的。 接下来推荐下我的新书《强化学习原理与Python实现》，这里面的既包括了经典的非深度强化学习算法，也包括深度强化学习算法。
74820编辑于 2023-05-29 - 来自专栏杨熹的专栏
强化学习 10: 实践中的一些技巧
在强化学习中这个问题是很糟糕的，因为如果没有概率为零的 action，就意味着 agent 会错过某些 action 和 state，因为从来没有采取过这个 action，就可能导致遇见的只是一个局部最优解 还有一个情况是，如果我们不想仅仅依赖于当前的观察，可以用一些神经网络结构来记忆存储，存储前面的一些有用的信息，这个会在后面学习。
54510发布于 2018-12-19 - 来自专栏数据魔术师
强化学习读书笔记（10）| On-policy Prediction with Approximation（下）
本讲将继续学习使用on-policy的数据对状态值函数进行逼近，也就是在策略π下估计值函数vπ。 ANN已经有很长的历史了，深层神经网络，也就是深度学习，近年来展现出了很强的能力，在ML包括RL领域都涌现了基于深度学习的很多优秀的算法。 前馈ANN是最基本的NN结构。它的形式如下： ? ? ，感兴趣的读者可以参考其它资料继续学习。 LSTD方法是否适用，要根据问题的维度d、是否需要快速学习等因素决定，毕竟LSTD复杂度比TD高很多。 作为非参数化的方法，基于记忆的算法相对参数化方法有很多优点：比如随着数据增多，精准度会越来越高；而且非参数法更适应强化学习算法，例如在Trajectory sampling中，非参数化的结果可以更关注那些真实轨迹中访问过的状态
1K31发布于 2019-10-09 - 来自专栏有三AI
【强化学习】从强化学习基础概念开始
在开始探索强化学习的诸多算法之前，我们先来了解一下它所涉及到的具体概念。这些概念将作为基石，一直陪伴着我们的学习之旅。 (8) 试错 试错是早期强化学习的主要方向。通过试错来探索最优策略。目前强化学习研究的方向转为奖励函数的优化。 (9) 记忆 智能体对过往经验的总结归纳和采用的方式。 (10) 奖励 获得环境正反馈后，智能体获得环境中设计的奖励，另外，还有一种奖励就是对环境本身的适应和开发。 (11) 价值函数 如何做才能最大化奖励。 3 强化学习中的六类问题 虽然强化学习给出了一个非常通用的解决问题的思路，但是面对具体问题，在不同场景下，强化学习又会有不同的侧重。 后续我们介绍具体算法的时候会一一讨论和学习，反复强化。 4 强化学习中的算法 ? 有了上述六类问题，我们再看看如何通过方法或者方法的组合去定义解决问题的算法。
90720发布于 2019-07-27 - 来自专栏小明的博客
强化学习
强化学习(reinforcement learning.)是指智能系统在与环境的连续互动中学习最优行为策略的机器学习问题。 强化学习的本质是学习最优的序贯决策。
56830编辑于 2022-09-05 - 来自专栏NowlNowl_AI
强化学习第1天：强化学习概述
介绍 强化学习是机器学习中一种独特的存在，以其独特的思想逐渐发展为一门独立的学科，强化学习适用的场景是：一个学习主体根据环境做出不同的决策，得到相应的奖励与惩罚来改进决策 它既不是监督学习也不是无监督学习 ，从这段描述中也可以看出，它不适合用来进行回归或者聚类等任务 强化学习要素 强化学习中有一些重要的概念，我们接下来一一介绍他们，如果有些不理解不要着急，我们会举一个具体例子来解释 智能体：智能体是强化学习中的主体 环境搭建：gym gym是一个集成了一些常用环境的库，我们可以通过调用这个环境库来快速入门强化学习，在python命令行中执行命令安装 ! plt.imshow(image) plt.show() 这段代码完成了一些初始设置，具体作用见代码注释，运行结果如下图 环境信息查看 我们导入环境后要查看一些环境的信息，还记得我们最开始说的强化学习要素吗 学习了强化学习的基本概念 通过一个简单示例直观感受了强化学习的基本流程 学习了将图片动画化的技术
83520编辑于 2024-01-18 - 来自专栏机器学习算法原理与实践
强化学习(十九) AlphaGo Zero强化学习原理
在强化学习(十八) 基于模拟的搜索与蒙特卡罗树搜索(MCTS)中，我们讨论了MCTS的原理和在棋类中的基本应用。 这里我们在前一节MCTS的基础上，讨论下DeepMind的AlphaGo Zero强化学习原理。 当然这类强化学习算法只对特定的这类完全状态可见，信息充分的问题有效，遇到信息不对称的强化学习问题，比如星际，魔兽之类的对战游戏问题，这个算法就不那么有效了。 要推广AlphaGo Zero的算法到大多数普通强化学习问题还是很难的。因此后续强化学习算法应该还有很多发展的空间。 至此强化学习系列就写完了，之前预计的是写三个月，结果由于事情太多，居然花了大半年。但是总算还是完成了，没有烂尾。生活不易，继续努力！ （欢迎转载，转载请注明出处。
2.4K50发布于 2019-04-01 - 来自专栏LhWorld哥陪你聊算法
【强化学习篇】--强化学习案例详解一
转变为如下图：先构造奖励，达到5，即能够走得5的action则说明奖励比较高设置成100，没有达到5说明奖励比较低，设置成0。
1.5K10发布于 2018-09-13 - 来自专栏云+直播
强化学习
---- 深度学习给强化学习带来的新机会 最近几年的强化学习非常的热门，出现了一些脍炙人口的应用，他们都是深度学习和强化学习强强联合的产物，无论是基于价值的强化数据算法，还是基于策略梯度的强化学习算法， 2013年，深度学习和强化学习结合起来，结合成了的深度强化学习算法。那么深度强化学习算法诞生以后，在强化训练领域马上就有突飞猛进的发展，解决问题的困难程度大大超过之前的非深度强化算法。 深度强化学习算法为什么常常能够比非深度强化学习算法更厉害呢，这是因为用了深度学习的强化学习方法可以求得更加复杂的解，能在更加困难的问题上得到更好的性能。 深度强化学习算法的很多思想都是来自于那些没有利用深度学习的经典算法，学习深度学习强化算法还是非常有意义的。 接下来推荐下我的新书《强化学习原理与Python实现》，这里面的既包括了经典的非深度强化学习算法，也包括深度强化学习算法。
75500发布于 2020-06-06 - 来自专栏深度学习
【深度学习】强化学习（三）强化学习的目标函数
一、强化学习问题 强化学习的基本任务是通过智能体与环境的交互学习一个策略，使得智能体能够在不同的状态下做出最优的动作，以最大化累积奖励。 2、强化学习的基本要素 强化学习涉及到智能体与环境的交互，其基本要素包括状态、动作、策略、状态转移概率和即时奖励。 状态（State）：对环境的描述，可能是离散或连续的。 上述概念可详细参照：【深度学习】强化学习（一）强化学习定义 4、马尔可夫决策过程 为了简化描述，将智能体与环境的交互看作离散的时间序列。 关于马尔可夫决策过程可详细参照：【深度学习】强化学习（二）马尔可夫决策过程 5、强化学习的目标函数 强化学习的目标是通过学习到的策略 \pi_{\theta}(a|s) 来最大化期望回报（Expected 目标函数 强化学习的目标是通过学习一个良好的策略来使智能体在与环境的交互中获得尽可能多的平均回报。 a.
1.6K10编辑于 2024-07-30 - 来自专栏深度学习
【深度学习】强化学习（四）强化学习的值函数
一、强化学习问题 强化学习的基本任务是通过智能体与环境的交互学习一个策略，使得智能体能够在不同的状态下做出最优的动作，以最大化累积奖励。 2、强化学习的基本要素 强化学习涉及到智能体与环境的交互，其基本要素包括状态、动作、策略、状态转移概率和即时奖励。 状态（State）：对环境的描述，可能是离散或连续的。 上述概念可详细参照：【深度学习】强化学习（一）强化学习定义 4、马尔可夫决策过程 为了简化描述，将智能体与环境的交互看作离散的时间序列。 关于马尔可夫决策过程可详细参照：【深度学习】强化学习（二）马尔可夫决策过程 5、强化学习的目标函数 强化学习的目标是通过学习一个良好的策略来使智能体在与环境的交互中获得尽可能多的平均回报。 关于目标函数可详细参照：【深度学习】强化学习（三）强化学习的目标函数 6、值函数 在强化学习中，为了评估策略 \pi 的期望回报，引入了值函数的概念，包括状态值函数和状态-动作值函数。
1K10编辑于 2024-07-30 - 来自专栏LhWorld哥陪你聊算法
【强化学习篇】--强化学习从初识到应用
一、前述 强化学习是学习一个最优策略(policy)，可以让本体(agent)在特定环境(environment)中，根据当前的状态(state)，做出行动(action)，从而获得最大回报(G or 通俗点说：学习系统没有像很多其它形式的机器学习方法一样被告知应该做出什么行为，必须在尝试了之后才能发现哪些行为会导致奖励的最大化，当前的行为可能不仅仅会影响即时奖励，还会影响下一步的奖励以及后续的所有奖励 强化学习的过程：先行动，再观察 再行动 再观测… 每一个动作（action）都能影响代理将来的状态（state），通过一个标量的奖励（reward）信号来衡量成功，目标：选择一系列行动来最大化未来的奖励
74120发布于 2018-09-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号