- 综合排序
- 最热优先
- 最新优先
- 来自专栏MyBlog
关于强化学习(2)
定理2: 对于任意的段落式REINFORCE算法, ? 和 ? 的内积是非负的, 更进一步, 如果 ? , 那么当仅当 ? , 内积才为0, 如果 ? 是和 ? 独立的话, 有 ? 和反向传播的兼容性 当我们使用强化算法的时候, 会忽略掉所有单元之间连接的信息, 作为有监督学习的算法, 反向传播就完全利用了这样的信息, 注意到我们的强化学习是针对目标函数和环境的, 所以不像有监督的学习那样 , 但是我们可以将反向传播和我们的强化学习结合起来. 7.1 使用确定性的隐藏单元的网络 考虑一个前馈的网络, 拥有确定的隐藏单元, 使用随机的输出单元, 使用这样的一个网络对于强化学习系统是有意义的,
69030发布于 2018-11-07 - 来自专栏Fdu弟中弟
强化学习-PPO2
仍旧是玩平衡杆游戏，不过这次用了更为强大的PPO2，看完之后不经感叹里面的思想真的是太奇妙了！相较于朴素的策略网络，多了好多新的trick，不敢想象发明这个算法的人是有多聪明。 代码参考自龙良曲的tensorflow2开源书籍。 env.seed(2222) tf.random.set_seed(2222) np.random.seed(2222) os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' __version__.startswith('2.') PPO2则没有计算KL散度，而用了clip裁剪的方法做到了同样的事。
1.5K10发布于 2021-02-24 - 来自专栏CreateAMind
代码开源---强化学习赛车视频2
torcs赛车游戏用强化学习进行训练的效果： 最难赛道AI可以跑完一圈； 简单赛道AI可以一次跑完20圈。
50420发布于 2018-07-24 - 来自专栏探物及理
强化学习-2：Markov decision process(MDP)
G值，从t时刻起，包括了未来，计算了折扣的总奖励： \[ G_{t}=R_{t+1}+\gamma R_{t+2}+\ldots=\sum_{k=0}^{\infty} \gamma^{k} R_{
97510发布于 2020-08-25 - 来自专栏量子化学
《量子化学软件基础》习题（2）
计算分子的MP2/cc-pVTZ能量，并在BDF（ORCA）中产生MP2的自然轨道。用软件绘制π轨道和孤对电子轨道。如果无法得到具有孤对轨道特征的轨道，则使用局域HF轨道（Boys 或者PM均可）。 【小编注：HF优化结构仅为练习使用，实际计算中一般用DFT方法】 (2) 产生MP2 自然轨道的输入文件如下。 ① BDF的输入文件： $compass title c2h5n mp2 basis cc-pvtz geometry file=c2h5n.xyz end geometry saorb nosymm MP2时要写入Density和NatOrbs关键词。 由于MP2波函数不是变分的，两种密度是有差别的。弛豫密度考虑了轨道响应，一般用于计算MP2偶极矩、解析导数等。但若将这种密度用于生成自然轨道，会出现轨道占据数超出[0,2]的无物理意义情形。
1.3K20编辑于 2022-12-07 - 来自专栏CreateAMind
强化学习优质教程2 有视频
Video-lectures available here Lecture 1: Introduction to Reinforcement Learning Lecture 2: Markov Decision
25040发布于 2018-07-25 - 来自专栏探物及理
强化学习笔记2：Markov decision process(MDP)
我们说一个state若满足 ，则其具有马尔可夫性，即该state完全包含了历史中的所有信息。马尔科夫过程是无记忆的随机过程，即随机状态序列 具有马尔可夫属性。
1.1K20发布于 2020-08-31 - 来自专栏机器人课程与技术
强化学习笔记2-PythonOpenAITensorFlowROS-程序指令
为了在tensorflow中运行任何东西，我们需要为一个实例启动tensorflow会话，看下面的代码： import tensorflow as tf a = tf.multiply(2,3) print 为了执行图形，我们需要初始化tensorflow会话，如下所示： import tensorflow as tf a = tf.multiply(2,3) #create tensorflow session 假设我们可以创建作为第1部分的范围，其具有节点a到c，范围作为第2部分，其具有节点d到e，因为第1部分和第2部分彼此独立。 tf.constant(5) b = tf.constant(4) c = tf.multiply(a,b) with tf.name_scope("Part2" tf.constant(5) b = tf.constant(4) c = tf.multiply(a,b) with tf.name_scope("Part2"
73150编辑于 2022-04-30 - 来自专栏防止网络攻击
ROS2 强化学习：案例与代码实战
ROS2（Robot Operating System 2）作为新一代机器人操作系统，具有更好的实时性、分布式性能和安全性，为强化学习在机器人领域的应用提供了更坚实的基础。 本文将通过一个具体案例，深入探讨 ROS2 与强化学习的结合应用，并提供相关代码实现。 二、案例背景 本案例以移动机器人在复杂环境中的导航任务为例。 四、ROS2 与强化学习结合的实现 （一）环境搭建 安装 ROS2：根据官方文档，在 Ubuntu 系统上安装 ROS2 Foxy 版本。 六、案例总结与展望 通过上述案例，我们展示了如何在 ROS2 环境中实现强化学习，让移动机器人能够在复杂环境中自主学习导航策略。 未来，随着强化学习算法的不断发展和 ROS2 生态系统的不断完善，我们有望看到更多创新的机器人应用，如协作机器人、自动驾驶等领域的突破。
74410编辑于 2025-05-15 - 来自专栏杨熹的专栏
强化学习第2课：强化学习，监督式学习，非监督式学习的区别
图片来源 现在让我们看一下强化学习和其他机器学习方法的对比。 在监督式学习中，我们有数据集，还有数据对应的标签。主要的任务是要让预测值尽量接近于这些标签。 而在强化学习中却没有这些假设条件： 我们没有数据集，但是我们有一个系统，可以从中取样数据。 我们也没有想要得到的结果标签，因为没有专家告诉我们要做什么。 ---- 非监督式学习也和强化学习有很大的不同。 虽然都没有专家告诉我们答案，但是非监督式学习在做不一样的事情。 它并没有像强化学习那样去学习一个优化的策略，而是尝试去描述数据， 尝试去寻找一些隐藏的结构，和寻找一个策略是不同的。 就相当于学会如何骑自行车要比懂得自行车的结构简单的多。 ---- 虽然说了几点强化学习和监督式学习，非监督式学习之间的区别， 但在解决实际问题时，你会发现它们会混合起来使用，比如说在强化学习中会使用一些监督式学习或非监督式学习。
1.5K30发布于 2018-12-06 - 来自专栏ArrayZoneYour的专栏
TensorFlow强化学习入门（2）——基于策略的Agents
正如前文所说，本文解决的问题将是一个完备的强化学习问题。 完备的强化学习问题所处的环境又被称为马尔科夫决策过程（MDPs）。 OpenAI gym包含了一系列强化学习问题所需的环境，本文也正是利用其中的一个经典案例：Cart-Pole（查看相关文档）。 ()) output = tf.nn.sigmoid(tf.matmul(layer1, W2)) # 定义网络用于学习的计算图组件 trainable_vars = [W1, W2] input_y grad = tf.placeholder(tf.float32, name="batch_grad2") # 学习 batch_grad = [W1_grad, W2_grad] adam = tf.train.AdamOptimizer 最终分数: 200.0 现在我们已经拥有了一个实用而又有趣的强化学习agent，不过这离目前最先进的技术还很远。尽管我们使用了基于策略梯度的神经网络，但是网络的深度和复杂度远远不及大部分先进的网络。
1.8K60发布于 2018-02-25 - 来自专栏量子化学
使用EzReson进行化学共振分析（2）：EzReson程序的安装
Phys. 2021, In press (DOI: 10.1039/D0CP06207C). 2. Y. Wang. J. Comput. Chem. 2021, 42, 412–417. (2) 在EzReson文件夹下找到ezreson文件，用文本编辑器将变量EZREON_DIR设置为EzReson所在的文件夹路径，如对于上例就是： export EZREON_DIR="/home/ 还有一种简单的解决办法：直接在Windows的命令行终端（cmd.exe）中进入EzReson的安装文件夹，然后敲入以下命令来运行EzReson： python ezreson.py 2.
86520发布于 2021-01-26 - 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。 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 最后，还需要熟悉深度强化学习知识。
37910编辑于 2024-06-07 - 来自专栏用户6881919的专栏
论文阅读2-----基于强化学习的推荐系统
Reinforcement Learning with a Disentangled Universal Value Function for Item Recommendation AAAI 强化学习应用到推荐系统的三个主要问题 2.High-variance environment 不想游戏中environment比较固定，推荐系统的环境更加的难以观察，并且reward来源于human更难得打分。 文中的解决方法： 借鉴强化学习中的goal based RL来解决也这个问题。感觉reward有很多因素形成，那就弄很多歌goal就是。
1.1K70发布于 2021-01-14 - 来自专栏呆呆熊的技术路
linux性能优化学习笔记(2)-性能排查工具篇
bi 块设备每秒接收的块数量，这里的块设备是指系统上所有的磁盘和其他块设备，默认块大小是1024byte，我本机上没什么IO操作，所以一直是0，但是我曾在处理拷贝大量数据(2-3T)的机器上看过可以达到
1.6K20发布于 2019-07-15 - 来自专栏专知
Seq2seq强化学习实战 (Pytorch, Tensorflow, Theano)
【导读】本文是Kirti Bakshi在1月14日写的关于其强化学习课程的一个介绍，作者首先简单介绍了机器学习的缺点，以及为什么使用深度学习。 Practical_RL: Reinforcement learning for seq2seq (pytorch, tensorflow, theano) 在过去的几十年里，机器学习方法发展迅速。 MOOC的主要重点是对“机器”等life-size问题进行训练，称为强化学习（RL）算法。 我们的目标是介绍给学生现代人工智能研究的一个突出领域：强化学习。 强化学习更多的是关于人类如何在现实中学习，与有监督学习和无监督学习有很大不同。 ; 发现错误、创建问题并提交pul_request，如果能解决问题就更好了; 通过pull-requests将赋值转换为不同的框架和版本（tensorflow，pytorch，rllab，py2
1.2K50发布于 2018-04-12 - 来自专栏数据派THU
独家 | 一文了解强化学习的商业应用2
本文介绍了强化学习在交易中的应用。 在上一篇文章中，我着重于从计算和数学视角理解强化学习，以及我们在业务中使用算法时面临的挑战。 在本文中，我将探讨强化学习在交易中的应用。 Fig1：使用监督学习技术的交易流程图（译者注：纸交易（paper trading），即在模拟账户中进行交易[2]。） 当然，如果要完全自动化，人工智能驱动的交易模型必须比预测价格做得更多。 他补充说：“通过强化学习，你正在学习如何预测你的行为对市场状况的影响。” 强化学习允许端到端优化和最大化回报。至关重要的是，强化学习模型本身会调整参数，以使其接近最优结果。 Fig2：使用强化学习模型进行交易的流程图 在IBM，我们在DSX平台（IBM Data Science Experience （DSX））上建立了一个复杂的系统，利用强化学习的力量进行金融交易。 原文链接： https://www.kdnuggets.com/2018/08/reinforcement-learning-business-use-case-part-2.html
89920发布于 2018-12-07 - 来自专栏项目文章
Java性能优化学习2：性能优化切入点（下）
性能优化分为，业务优化和技术优化。业务优化一般属于产品和管理的范畴，作为后端开发，一般应有技术优化。 技术优化一般有七类技术手段。
22110编辑于 2024-06-07 - 来自专栏嘘、小点声
李宏毅的强化学习视频用于梳理翻阅（2）
在之前的Policy Gradient算法中，其运行结果不够稳定的至少一条原因是：奖励项不够稳定。
46170发布于 2020-05-20 - 来自专栏项目文章
Java性能优化学习2：性能优化切入点（上）
2、计算优化 （1）并行执行 ①多机集群：采用负载均衡的方式，将流量或者计算拆分多个部分，比如说hadoop、mapreduce。 （2）同步-》异步 异步的编程方式可以支持横向扩容，缓解瞬时压力。 （3）惰性加载 采用一些比较好的设计模式来优化业务模块，比如单例模式，代理模式等等。
21110编辑于 2024-06-07
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