深度强化学习（一）之脉络梳理

最新推荐文章于 2024-07-16 14:32:10 发布
原创 最新推荐文章于 2024-07-16 14:32:10 发布 · 821 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#强化学习 #深度学习

本文介绍了深度强化学习的构成，包括强化学习（RL）和深度学习（DL），并探讨了两者区别。重点讨论了DQN和策略梯度（PG）这两种决策方法，以及它们在实际应用中的优缺点。强化学习通过试错学习工作，奖励设计是核心挑战，可通过贝尔曼方程和TD/MC算法进行优化。

目录

一、技术构成

深度强化学习由两个技术构成：
1）RL:Reinforce Learning 强化学习
2）DL:Deep Learning 深度学习

二、深度学习和强化学习区别

1）强化学习完成两个任务：规划 和 决策
2）深度学习完成：特征映射，提取语义信息。
在这里插入图片描述
规划：达到最终状态，中间采取的一系列动作，不仅对当前状态做反应，还要考虑到未来。

三、两种决策方法

在这里插入图片描述
1）DQN
基于value做决策
易训练
在这里插入图片描述
2）PG:策略梯度，基于状态做决策
优点：非常直接
缺点：比较难训练
在这里插入图片描述
3）两种方法结合，比较好用。
AC模型：A是PG网络，C是价值网络

四、强化学习的工作方式

试错学习：

最低0.47元/天 解锁文章
强化学习在AI Agent任务规划中的应用
2502_91592937的博客
10-29 829
本文章的主要目的是全面深入地探讨强化学习在AI Agent任务规划中的应用。我们将从理论基础入手，详细介绍强化学习和AI Agent任务规划的核心概念、算法原理、数学模型等内容。通过实际的项目案例，展示如何将强化学习应用于AI Agent的任务规划中，包括开发环境的搭建、代码的实现和解读。同时，还会探讨强化学习在不同实际场景中的应用，为读者提供全面的知识体系和实践指导。文章的范围涵盖了强化学习和AI Agent任务规划的基础知识、算法细节、实际应用以及未来发展趋势等方面。
7. 深度强化学习：智能体的学习与决策
最新发布
Network_Engineer的博客
09-08 1976
深度强化学习通过智能体与环境的交互，学习最优的决策策略，为自动驾驶、游戏AI、机器人控制等领域带来了革命性的进展。经典算法如DQN和策略梯度方法，以及创新架构如Actor-Critic，为深度强化学习的成功奠定了基础。随着技术的不断进步，深度强化学习将继续在更多领域中展现其强大的应用潜力，推动人工智能的发展迈向新的高度。
DeepRL 强化学习方面脉络很清晰 内容很完整的介绍文档
06-13
强化学习方面脉络很清晰 内容很完整的介绍文档
《白话强化学习与python》笔记——第二章强化学习的脉络
weixin_52326703的博客
03-07 955
用于预测环境中将发生什么的一套描述信息。
ML(6)-Daviad Silver强化学习课程脉络整理
sinat_40624829的博客
08-10 610
强化学习-Daviad Silver强化学习课程脉络整理1.lecture1 introduction2.lecture23.lecture34.lecture45.lecture56.lecture67.lecture78.lecture89.lecture910.lecture10 1.lecture1 introduction 强化学习简介 强化学习基本要素：Reward-RtR_tRt​ 2.lecture2 3.lecture3 4.lecture4 5.lecture5 6.lecture6 7
强化学习
热门推荐
liujiandu101的博客
03-20 1万+
前言 深度强化学习可以说是人工智能领域现在最热门的方向，吸引了众多该领域优秀的科学家去发掘其能力极限。而深度强化学习本身也由于其通用性备受各个应用领域推崇，从端对端游戏控制、机器人手臂控制、推荐系统，甚至也来到了自然语言对话系统。然而如何在日新月异，几乎每日都在更新迭代的深度强化学习的进展中保持好节奏，那是这篇文章带给大家的建议和思考。 我们首先简要介绍一下深度学习和强化学习技术，以及
样例对比学习->类别监督对比学习脉络梳理
06-17
对比学习是一种深度学习技术，主要用于无监督或自我监督的预训练任务，旨在通过无标签或少量标签的数据学习出有效的特征表示。在这个脉络下，我们主要关注三种类型的对比学习：实例级对比学习、类别级对比学习和聚类...
[强化学习]学习路线和关键词拾零
weixin_40293999的博客
04-22 708
强化学习的想法主要来自于人们对学习本质的思考：人类是通过与环境交互来学习的。所以强化学习做了如下假设，一个理性的智能体(Agent)，可以通过动作(action)与环境(Environment)互动，环境的变化使得智能体进入到新的状态(state)，从环境中获得回报(Rewrad)，根据回报累积的反馈，来优化自己的行动策略(Policy)。
深度强化学习入门课程与经典代码解析
综上所述，这份资料以“基础入门”为核心定位，系统梳理了深度强化学习的理论脉络与关键技术演进路径，辅以经典代码解析，构建了一个从零开始掌握DRL的完整学习闭环，非常适合希望深入理解智能决策系统底层机制的...
基于深度强化学习的光伏MPPT控制优化研究
《基于深度强化学习算法的MPPT控制技术及其在光伏系统中的应用.docx》系统梳理了相关技术发展脉络；而HTML格式文件《基于深度强化学习（DRL）的MPPT控制技术：提高光伏系统高效鲁棒性的新方法.html》则便于在线浏览...
机器学习 深度学习 强化学习知识脉络
weixin_30604651的博客
11-26 213
统计学习方法 模型 这些模型其实都已经很透了。这里放着别人的成果吧，做一个汇总，自己忘了的时候来这里看一下。这里放的都是我看过的文章。 逻辑回归与最大熵模型： k近邻(knn):kd树 朴素贝叶斯： https://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html ...
强化学习的发展历程：重要里程碑和方法的演变
qlkaicx的博客
05-18 4501
强化学习作为机器学习的一个重要分支，其研究历程几十年来一直在不断发展和演变。从早期的基本理论到现代的复杂算法应用，强化学习已在多个领域实现了突破性进展。本篇博客将详尽地探讨强化学习的发展历程，着重介绍在不同阶段所提出的关键方法和技术。当前，随着计算能力的提升和算法的进一步优化，强化学习预计将在未来的人工智能领域发挥更大的作用。强化学习的概念可以追溯到心理学和神经科学的研究，尤其是关于动物学习和决策过程的理论。
强化学习的进步：最新的研究成果和发展趋势
AI天才研究院
01-08 2286
1.背景介绍 强化学习(Reinforcement Learning, RL)是一种人工智能技术，它通过在环境中与动作和奖励的互动来学习和优化行为策略。强化学习的主要目标是让智能体在不同的环境中学习如何做出最佳的决策，以最大化累积奖励。强化学习的应用场景广泛，包括自动驾驶、游戏AI、机器人控制、推荐系统等。 强化学习的发展历程可以分为以下几个阶段： 早期阶段(1980年代至2000年代初)...
强化学习和深度学习
2201_75349501的博客
11-21 949
深度学习和强化学习是两个在人工智能领域中常见的子领域，它们有不同的应用和优劣势。
深度强化学习Deep Rrinforcement Learning|MDP|POMDP
m0_64578069的博客
07-16 2343
现代网络规模大、结构复杂，计算复杂度很快变得难以控制。因此，DRL一直在发展成为克服这一挑战的替代解决方案。马尔科夫链(Markov Chain)、马尔科夫决策过程(Markov Decision Process,MDP)、部分可观察马尔科夫决策过程(Partially Obserable Markov Decision Process,POMDP)、隐马尔科夫模型(HMM)。
强化学习的规划与决策
AI天才研究院
12-27 1242
1.背景介绍 强化学习(Reinforcement Learning, RL)是一种人工智能技术，它旨在解决自主地学习从经验中取得知识的智能体的问题。强化学习的核心思想是通过在环境中执行行为并接收到相应的奖励来学习一个策略，这个策略将指导智能体在未来的行为。强化学习的主要应用领域包括机器学习、人工智能、自动化、金融、医疗等。 强化学习的主要组成部分包括智能体、环境、状态、动作、奖励和策略等。智...
深度增强学习——Q-learning和决策梯度
weixin_45268911的博客
07-23 3382
深度增强学习——Q-learning和决策梯度 一、什么是强化学习 强化学习是指，我们有一个智能体（agent），能够在其环境（environment）中采取行动，也可以因为其行动获得奖励，它的目标是学会如何行动以最大限度地获得奖励。强化学习多是一种动态规划的思路，使用生活化语言描述，就叫做：实践出真知。与之前学过的监督学习和无监督学习不同，强化学习本身并不依赖于数据或者数据的标签，而是依赖于对输入数据预测之后的反馈，因此它介于监督学习和非监督学习之间。 如上图所示，一个agent(例如：玩家)做出了一个
《Deep learning Based Text Classification:A comprehensive Review》文本综述
kuxingseng123的博客
11-19 1117
冲刺ACL小样本文本分类的第一篇参考文献，
深入解析深度强化学习：模型、发展与应用
qlkaicx的博客
05-15 1831
深度强化学习的概念首次被广泛认知是在2013年，当DeepMind的研究团队开发了一种算法能在多款经典的Atari 2600游戏上达到超越人类的性能。深度强化学习（Deep Reinforcement Learning, DRL）结合了深度学习和强化学习的优点，为机器学习领域带来了革命性的进展。深度学习（特别是卷积神经网络，CNN）的引入使得智能体可以直接从原始感知数据（如图像和音频）中学习到复杂的特征表示。这一领域的快速发展不仅推动了AI技术的进步，也为解决复杂的实际问题提供了新的方法和思路。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值