神经网络知识复习and学习 | 强化学习

最新推荐文章于 2025-01-02 16:35:30 发布
原创 最新推荐文章于 2025-01-02 16:35:30 发布 · 207 阅读 · 1 ·
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。

参考链接

老师推荐的课程：https://www.davidsilver.uk/teaching/
莫烦python的课程：https://mofanpy.com/tutorials/machine-learning/reinforcement-learning/
莫烦python的github：https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow

强化学习：初识

在这里插入图片描述
在这里插入图片描述

强化学习：分类

Modelfree 和 Modelbased

在这里插入图片描述

基于概率 和 基于价值

在这里插入图片描述
在这里插入图片描述

回合更新 和 单步更新

在这里插入图片描述

在线学习 和 离线学习

在这里插入图片描述

QLearning

QLearning 决策

在这里插入图片描述

QLearning 更新

在这里插入图片描述在这里插入图片描述

整体算法

在这里插入图片描述
实例1：
在这里插入图片描述
实例2：
在这里插入图片描述在这里插入图片描述

QLearning 中的 Gamma

在这里插入图片描述

Sarsa

Q learning 与 Sarsa 对比

在这里插入图片描述

在这里插入图片描述

Sarsa的迷宫代码

在这里插入图片描述

Q learning的迷宫代码

在这里插入图片描述

Sarsa（入）

在这里插入图片描述
在这里插入图片描述

DQN

motivation：表格太大了，于是转用神ing网络，让网络帮忙处理，最后选出下一步动作
在这里插入图片描述

DQN的两大利器

在这里插入图片描述

算法

在这里插入图片描述
在这里插入图片描述

神经网络部分实现

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

其他部分实现

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

强化学习：策略迭代与价值迭代
AI天才研究院
10-08 1388
强化学习(Reinforcement Learning, RL)作为一种重要的机器学习方法，在人工智能领域取得了显著进展。它通过智能体与环境交互，不断学习最佳行为策略，以实现长期目标。强化学习在自动驾驶、机器人控制、游戏等领域具有广泛的应用前景。然而，强化学习在实际应用中仍面临一些挑战，如收敛速度慢、样本效率低、复杂场景下性能不稳定等。针对这些问题，研究者们提出了策略迭代(Strategy Iteration)和价值迭代(Value Iteration)等算法，以改进强化学习性能。
强化学习从基础到进阶-案例与实践[6]：演员-评论员算法（advantage actor-critic，A2C），异步A2C、与生成对抗网络的联系等详解
丨汀、的博客
06-26 1041
强化学习从基础到进阶-案例与实践[6]：演员-评论员算法（advantage actor-critic，A2C），异步A2C、与生成对抗网络的联系等详解
《深度学习进阶 自然语言处理》第一章：神经网络的复习
sherwinzhang的博客
11-07 1679
关于本书第一章内容，主要是对《深度学习入门：基于Python的理论与实现》一书的精炼性概括。如果你已经在AI领域入门，并且有一定的理论基础，那么也可以通过这一章节快速对一些基础知识进行复习，方便后面更加高效的学习。
简单神经网络（复习用）
JustForYouForDL的博客
01-17 391
import numpy as np #网络只有l0，l1，l2三层，在l1和l2层有sigmoid def sigmoid(x,deriv = False): #sigmoid函数主要分为前向传播和求导两部分 if(deriv == True): return x*(1 - x) #注意这里的x并不是前向的x，此处x = sigmoid（x（前向）） return...
神经网络及应用期末复习
~华仔的博客
12-21 722
1 五种优化算法 1.1 线性优化 1.2梯度法（非线性，只能求出局部最小） https://blog.youkuaiyun.com/google19890102/article/details/17842831 https://blog.youkuaiyun.com/weixin_42278173/article/details/81511646 1.3牛顿法 1.4高斯牛顿法 1.5自然梯度法 2 模...
【复习笔记】人工神经网络
lk_wkqd的博客
01-29 776
解决反向传播算法中的过度拟合问题的方法：权值衰减 它在每次迭代过程中以某个小因子降低每个权值，这等效于修改E的定义，加入一个与网络权值的总量相应的惩罚项，此方法的动机是保持权值较小，从而使学习过程向着复杂决策面的反方向偏置。验证数据 一个最成功的方法是在训练数据外再为算法提供一套验证数据，应该使用在验证集合上产生最小误差的迭代次数，不是总能明显地确定验证集合何时达到最小误差。k-fold交叉方法
武大深度学习期末复习-常见神经网络概念
qq_50860232的博客
05-28 1300
深度学习经典神经网络概念、优缺点及应用场景
《动手学深度学习》学习笔记
欢迎来到三水编程的博客
01-11 2622
本文首先介绍了深度学习的基础知识，包括线性回归、多层感知机、卷积神经网络、循环神经网络的基本原理，在其基础上讲解网络优化算法进一步优化网络和自定义网络实现自己的网络。然后介绍深度学习的应用，具体包括单发多框目标检测、语义分割、风格迁移、中英文翻译系统。最后总结我对本课程学习的心得体会和建议。
机器学习复习题
最新发布
m0_59899305的博客
01-02 1582
CART（Classification And Regression Tree）决策树是一种基于二叉树结构的分类或回归算法。在分类任务中，CART决策树使用**基尼系数（Gini Index）**作为划分节点的准则。支持向量机（SVM）的核心是找到一个决策边界（超平面）来最大化分类间隔。主成分分析（PCA）是一种常用的降维技术，用于将高维数据映射到低维空间，同时尽可能保留数据的方差。集成学习的泛化能力（即在未见数据上的表现）直接决定了模型的实用性。减少复杂度过高的基学习器。集成学习的核心思想是。
强化学习知识总结
qq_38907879的博客
11-02 708
概览 之前学习了李宏毅老师深度学习中，关于深度强化学习的相关知识，感觉虽然推导公式基本都已经了解了，但是印象却不是十分深刻，因此，在这里写下来用作复习。 本次内容主要关注的是model-free的部分，对于model-base的内容，在这次就不进行深入的探讨了。这个博客会首先从policy-base的方法开始讲起，然后过渡到value-base的方法。最后再讲讲比较著名的A3C是如何将两者结合起来...
深度学习--神经网络全面知识点总结（持续更新中）
weixin_43749805的博客
06-07 8935
想象一下，你正在学习如何识别不同种类的动物，比如狗、猫和鸟。你会观察它们的特征，如体型、毛色、嘴形等，然后逐渐学会将这些特征与相应的动物类别关联起来。神经网络也是以类似的方式工作。它由大量的人工神经元组成，每个神经元类似于一个小的计算单元。每个神经元接收来自其他神经元的输入，并通过一个称为激活函数的非线性函数来处理这些输入。激活函数决定了神经元是否应该“激活”并传递信号给下一层神经元。举例来说，假设你要训练一个神经网络来识别猫和狗的图像。神经网络的第一层可以是图像的像素值，每个像素作为一个输入。
人工智能期末复习：人工神经网络（详细笔记和练习题）
hanmo22357的博客
12-24 3472
神经网络定义：神经网络是具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。神经网络学习的本质：神经网络的学习本质就是不断调整各个神经元连接的权重和各个神经元的阈值。神经网络模型最重要的两个要素：网络结构、激活函数。神经网络运行过程获取输入内容；随机初始化神经网络参数；获取输出端的输出内容；计算输出的误差大小；根据误差调整神经网络参数；对每一个样本的输入都进行上述调整并进行下一次迭代，最终即可得到收敛的模型。
神经网络与深度学习复习大纲
weixin_53500031的博客
01-04 2541
神经网络期末复习
深度学习进阶：自然语言处理入门:第1章 神经网络的复习
weixin_44953928的博客
12-07 2934
深度学习进阶：自然语言处理入门第1章　神经网络的复习1.1 数学和Python的复习1.1.1  向量和矩阵1.1.2  矩阵的对应元素的运算1.1.3  广播1.1.4  向量内积和矩阵乘积1.1.5  矩阵的形状检查1.2 神经网络的推理1.2.1  神经网络的推理的全貌图激活函数输出层和激活函数 代码1.2.2  层的类化及正向传播的实现两层神经网络 (简单的只有正向传播，没有反向传播)1.3 神经网络的学习1.3.1  损失函数SoftmaxWithLoss类（ ）1.3.2  导数和梯度1.3.3
神经网络和深度学习-学习总结
MyArrow的专栏
05-05 3万+
1. 简介     神经网络和深度学习是由Michael Nielsen所写，其特色是：兼顾理论和实战，是一本供初学者深入理解Deep Learning的好书。 2. 使用神经网络识别手写数字 2.1 感知器(Perceptrons)      感知器工作原理：接收一系列二进制输入，经过特定的规则计算之后，输出一个简单的二进制。            计算规则：通过引入
深度学习——神经网络基础知识总结
u011832617的博客
08-29 1614
如何学会构建和设计网络 多阅读别人的网络，多总结，多找其他网络的优缺点。 卷积层（Conv Layer）的输出张量（图像）的大小 和只用全连接相比，卷积层的两个主要优势在于参数共享和稀疏连接， O=输出图像的尺寸。 I=输入图像的尺寸。 K=卷积层的核尺寸 N=核数量 S=移动步长 P=填充数 输出图像尺寸的计算公式如下： 输出图像的通道数等于核数量N。 示例：Al...
强化学习6——神经网络基础知识
jinpeng_cumt的博客
08-07 6568
一、概念及性质 1.1 概念 人工神经网络（简称神经网络，Neural Network）是模拟人脑思维方式的数学模型。神经网络控制是将神经网络与控制理论相结合而发展起来的智能控制方法。它已成为智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。典型神经网络有如下三种： (a)前向网络 (b)反馈网络 ...
神经网络与强化学习
qq446293528的博客
12-17 9000
一、DQN的神经网络是怎样一种结构？有几层？什么作用？如何实现数据的记忆？如何做一些改进 （一）问题描述： qu1. 问题复杂度提高导致无法使用Q表记录全部状态： 1. 对状态的维度进行压缩，解决方案之一Value Function Approximation（值函数近似）， 用w来表示函数f的参数，则有 2. 高维s和低维a的函数输入问题，低...
给初学者们讲解人工神经网络（ANN）
热门推荐
日拱一卒
06-09 4万+
1.介绍 这份教学包
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