- 综合排序
- 最热优先
- 最新优先
- 来自专栏杨熹的专栏
强化学习 8: approximate reinforcement learning
如果我们稍微改变了某个状态，agent 就要从头开始学习，因为这是一个不同的状态，从来没有见过。 人类肯定不是这样学习的，我们有概括能力，所以也想让强化学习算法具有这样的能力，这时就可以用approximate reinforcement learning ? 这时我们就不再不明确地存储所有的概率了，可以用机器学习算法去学习，例如用神经网络，也可以是回归，随机森林等任何算法都可能，让它们来模拟学习。 ： [入门问题][TensorFlow][深度学习][强化学习][神经网络][机器学习][自然语言处理][聊天机器人] Hello World ！ 要开始连载强化学习系列啦！ 今天开始我们一起来每天 2 分钟，get 强化学习的一个小知识吧！
69210发布于 2018-11-21 - 来自专栏探物及理
强化学习笔记8：整合学习和规划
1、introduction 第7章节，讲了PG，从episode经验学习到 策略 policy 之前的章节，讲了从episode 经验学习到 价值函数 本章，从过去经验学习到环境模型 通过规划的手段 ”，通过将基于模拟的前向搜索与各种不依赖模型的强化学习算法结合，衍生出多个用来解决类似大规模问题的切实可行的算法，如：Dyna-2算法之类。 的学习方法 Model-free RL 无模型 从真实环境Env采样，学习价值函数 Model-based RL 从真实环境Env中学习，建模Model 从Model虚拟采样，规划价值函数 Dyna 从真实环境Env中学习，建模Model 根据Env 和 Model采样，同时学习 并 规划 价值函数 ? a,b,c,d,和e都是从实际经历中学习，d过程是学习价值函数，e过程是学习模型。 在f步，给以个体一定时间（或次数）的思考。
1.1K20发布于 2020-08-31 - 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。 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。 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
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 - 来自专栏用户6881919的专栏
论文阅读8-----基于强化学习的推荐系统
image.png image.png image.png image.png image.png image.png image.png image.png image.png 好了好了又想学习推荐系统科研的小可爱们
1.4K30发布于 2021-01-18 - 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 FP8端到端精度强化学习训练技术
随着大语言模型从简单文本生成向复杂推理过渡，强化学习（RL）发挥着核心作用。像分组相对策略优化（GRPO）这样的算法推动了这一转变，使推理级模型能够通过迭代反馈不断改进。 精度BF16仅FP8生成FP8端到端验证准确率0.6160.5860.613表2：不同精度配置下Llama3 8B验证准确率结果在加速方面，与BF16相比，FP8方案实现了持续超过15%的吞吐量提升。 通过启用令牌级别的截断重要性采样，线性层+KV缓存+注意力机制均使用FP8的方案实现了与BF16基线以及线性层使用FP8（W8A8）方案对齐的验证准确率。图6. Qwen3-8B-Base的训练准确率曲线为KV缓存和注意力操作启用FP8，比仅线性层使用W8A8配置在策略采样阶段额外带来了约30%的加速，相比BF16基线总体加速约48%。 KV缓存启用FP8生成和训练的高级FP8配置选项到目前为止，我们已经介绍了线性层和KV缓存+注意力层的FP8实现。
28610编辑于 2026-04-26- 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。 在强化学习中，环境指排除智能体之外的所有组成。 (3) 智能体 智能体是强化学习中的主要研究对象，我们希望智能体能够通过环境的检验来实现系统的目标。 (4) 交互 交互专指智能体与环境的交互。 (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。 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。 同时，为了提供更多的信息，输入的棋局状态不光只有当前的棋局状态，包括了黑棋白棋各自前8步对应的棋局状态。 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。
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 - 来自专栏数据魔术师
强化学习读书笔记（8）上| 用表格方法规划和学习
本讲为需要环境模型的model-based强化学习方法（如DP和启发式搜索）和不需要环境模型的model-free方法（比如MC和TD）提供一个统一的论述框架。 （计划空间方法很难有效地应用于强化学习中关注的随机序列决策问题，因此不再进一步考虑） 本章要描述的统一框架是指所有的状态空间计划算法都共享一种架构，同样适用于本书讲到的学习算法。 前者称为模型学习model-learning（间接法），后者称为直接强化学习direct reinforcement learning（直接法）。 ? 该模型从实际经验中学习，并产生模拟经验。search control指代为模型生成的仿真经验选择起始状态和动作的过程。最后，通过将强化学习方法应用于模拟经验来实现规划。 一般来说强化学习算法都可以应用在仿真经验和真实经验中。学习和规划的有很多的相同点，唯一的不同是经验的来源。 从概念上讲，规划，行为，模型学习和直接RL在Dyna agent中同时发生。
1.4K30发布于 2019-09-17 - 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 - 来自专栏AI科技评论
动态 | ACL 2018 首日：8 大 tutorial，深度强化学习最受关注
（注：4 *8 个小时的 tutorials，上千张 PPT，相信一定会为大家开启新世界的大门） ? www.cs.ucsb.edu/~william/papers/ACL2018DRL4NLP.pdf 许多自然语言处理 (NLP) 任务 (包括生成、推理、信息提取、关联解析和对话等) 都可以表示为深度强化学习 然而，由于语言往往是离散的，所有句子的空间都是无限的，因此在将 NLP 任务构想为强化学习问题时存在许多挑战。在这次 tutorial 上，将介绍 NLP 中一些实用的 DRL 解决方案。 我们描述了在 NLP 中设计深度强化学习算法方面的最新进展，特别关注于生成、对话和信息提取。 最后，我们讨论了这些算法成功及失败的原因，旨在提供一些关于深度强化学习的实用建议，以解决实际的 NLP 问题。
66230发布于 2018-07-27 - 来自专栏CreateAMind
强化学习族谱
https://github.com/tigerneil/deep-reinforcement-learning-family
1.1K10发布于 2018-07-24
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