【百度飞桨强化学习7日打卡营】DQN解决MountainCar 不同超参数“学习率”调参

最新推荐文章于 2024-10-02 07:58:18 发布

原创最新推荐文章于 2024-10-02 07:58:18 发布 · 1.1k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络

本文探讨了在MountainCar环境中，使用DQN算法时不同学习率对模型性能的影响。通过实验发现，学习率与成绩之间的关系并非简单的正比或反比，而是存在一定的随机性和复杂性，强调了在实际应用中进行超参数调优的重要性。

DQN解决MountainCar 不同超参数“学习率”情况下的比较

【百度飞桨强化学习7日打卡营】作业3 DQN解决MountainCar
针对作业里面的超参数 “LEARNING_RATE” 选择进行了实际测试。
根据网络上所说的一些经验一般学习率大的情况神经网络“学习”的会更快但是到一定程度后会难以继续提高成绩。学习率小则成绩提高慢但会持续提高。
实际动手测试发现在其他参数完全相同的情况下学习率的选择对成绩的影响并非那么简单。这里我们LEARNING_RATE选择了从小到大0.001, 0.002, 0.004, 0.008 和0.016 五种情况记录实际得分情况如下图所示

在这里插入图片描述
我们可以看到并未呈现明显的成绩和学习率的简单规律，似乎具有一定的随机性或者不规律性。所以实用中的学习率超参数调整最好还是选取一些数值做测试对比然后根据情况来选择。