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。然而，我不认为这是小行星(视频)的情况，因为每一颗小行星的射击都会得到奖励。为什么DRL表现那么差？以下是一些报告小行星上的坏结果的
浏览 0提问于2018-02-16得票数 3
回答已采纳
假设我们使用称为“S”的状态行为对和一个奖励函数R()操作，如下所示：R(S2) <- 0现在，考虑一下由一个人引入的即时奖励，以使代理人表现得更好：R(S2) <- -1
R(S3) <- -10是否存在这样的情况:为了使折扣奖励的总和最大化，代理可以选择避免具有强负报酬的状态，即使代价
浏览 0提问于2018-02-07得票数 1
回答已采纳
在深入学习中，我们可以用损失函数值来评估模型的性能，并通过K倍交叉验证等方法来提高模型的性能。但是，如何设计和优化神经网络在深度强化学习中的应用呢？我们可以用奖励等来评估强化学习算法本身的性能，但是如何保证神经网络在强化学习算法中的应用是好的还是坏的呢？
浏览 0提问于2019-02-08得票数 3
在我看来，强化学习会从行动中得到回报。然而，在玩电子游戏时，大多数步骤(如:街头拳击手)都没有奖励(奖励== 0 )，最终，我们得到了奖励(例如:玩家赢了，奖励=1)，有这么多动作，机器怎么知道哪一个是赢得这个游戏的关键？
浏览 0提问于2019-05-07得票数 2
回答已采纳
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。基本的超平面算法:感知器和Winnow。核粒
促进弱学习者向强
浏览 0提问于2017-01-04得票数 9
回答已采纳
2回答
什么时候平均报酬比折扣奖励更有效，反之亦然？在这张图中，文件“用深度强化学习弹Atari”的图2：提交人报告了“平均奖励”。然而，在同一篇论文中
浏览 0提问于2019-02-18得票数 6
我正在使用来自稳定基础3 ()包的A2C (AdvantageActor批评者)框架来解决奖励为+1或0的强化问题。我有一种自动机制，在给定的状态下分配奖励给一个选择。然而，这种自动机制并不足以奖励我的选择。我已经评估过，人的判断(如果一个人坐着并奖励选择)是更好的。假设一集中有N个
浏览 3提问于2022-04-13得票数 0
1回答
问题当前状态是表示物体在环境中的位置(三维)和物体的速度(三维)的矢量。在环境中随机初始化起始位置，以及启动速度。
动作是表示从状态t到状态t+1的运动的向量。如果您对这种方法感兴趣，
浏览 0提问于2019-01-05得票数 5
回答已采纳
1回答
问题当前状态是表示物体在环境中的位置(三维)和物体的速度(三维)的矢量。在环境中随机初始化起始位置，以及启动速度。
动作是表示从状态t到状态t+1的运动的向量。如果您对这种方法感兴趣，
浏览 1提问于2019-01-05得票数 2
回答已采纳
1回答
我试着获得对深层强化学习的直观理解。在深度Q-网络(DQN)中，我们将所有的行为/环境/奖励存储在一个记忆阵列中，在事件结束时，通过我们的神经网络“重播”它们。我认为导致奖励状态的行为序列是捕获的重要因素--这种行为序列(而不是独立的行为)是导致我们进入奖励状态的原因。
在和许多教程中，我们看到了从内存数组和
浏览 2提问于2017-11-19得票数 0
回答已采纳
1回答
强化学习的边界
、、、、
我终于开发了一个游戏机器人，学习如何玩游戏蛇与深度Q-学习。我尝试了不同的神经网络和超参数，我找到了一个工作装置，为一组特定的奖励。问题是:当我奖励代理人朝着正确的方向前进时--如果代理人的坐标与食物的坐标相应增加或减少，则奖励积极的奖励--代理人学得很快，获得很高的分数。当我不为此奖励代理人，而只奖励死亡和积
浏览 0提问于2018-09-20得票数 1
回答已采纳
1回答
我正在用基线实现一个增强算法，但我对折扣奖励函数有疑问。我实现了这样的折扣奖励功能： r = np.zeros_like(rewards)r = [1.234, 2.34, 3.4, 4.0]
然而，在这里我的问题是
浏览 6提问于2020-12-10得票数 2
我目前正在学习强化学习，我已经建立了一个黑板游戏。我可以硬编码一个正面的奖励(赢得手的奖励的一部分)，对不会导致失败的命中，但它感觉我没有正确地处理这个问题。另外，当我为一
浏览 0提问于2020-01-31得票数 4
我正在尝试实现经典的深度Q学习算法来解决openAI健身房的Cart极游戏：令人惊讶的是，该代理成功地在许多集中达到了200步(这是最大的)，只需在每集中生成4个随机的均匀权重w1、w2、w3、w4 (-1.0到1.0)。因此，我决定实现一个简单的DQN，只有4个权重和2个偏见，并让代理学习这个游戏的时间。权值将在开始时随机初始化，并在
浏览 4提问于2020-08-09得票数 0
回答已采纳
0回答
一直想用深度强化学习DQN解决三维城市道路的决策与控制问题，比如自动驾驶汽车在行驶的时候，考虑距离和成本来约束（奖励函数），引导汽车选择合理的模式（动作空间有2个：地面行驶和起飞），第一个难题就是三维仿真环境如何搭建第二个是奖励函数怎么写？网上很少有教程关于奖励函数的设计的？摸索快一年了，一直没有结果，挑战性真的把兴趣都快抹杀了，这个课题还能，有希望继续搞吗？请大佬指点
浏览 103提问于2023-04-18
7回答
DQN（Deep Q-Learning）可谓是深度强化学习（Deep Reinforcement Learning，DRL）的开山之作，是将深度学习与强化学习结合起来从而实现从感知（Perception）到动作（ Action ）的端对端（End-to-end）学习的一种全新的算法 ，该如何实现深度强化学习（DQN）呢?
浏览 3423提问于2018-10-10
批次大小是指在监督学习中接受神经工作训练的样本数，但是，在强化学习的背景下，批次大小的意义是什么？它也是指样品吗？如果是的话，在强化学习的背景下，样本的意义是什么？
浏览 0提问于2019-04-02得票数 3
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
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
