- 博客(4)
- 收藏
- 关注
RSS订阅原创 第七章 高级 RL 库【Deep Reinforcement Learning Hands-On/深度强化学习实战手册】
本章进一步讨论了如何利用高级RL库（如PyTorchAgentNet，PTAN）来简化代码，避免重复编写相同的逻辑，并提高代码的质量和效率。PTAN库提供了多种模块，如Agent、ActionSelector、ExperienceSource和重放缓冲区，帮助用户专注于方法实现，而非底层细节。通过PTAN，用户可以更高效地实现DQN等RL算法，并在CartPole等环境中进行实验。本章还介绍了PTAN库的核心组件及其使用方法，展示了如何通过高级库简化RL实验流程。
2025-05-17 23:07:29
1068
原创 第六章、深度 Q 网络【Deep Reinforcement Learning Hands-On/深度强化学习实战手册】
在本章中，我们涵盖了大量新的复杂内容。你了解了值迭代在具有大观察空间的复杂环境中的局限性，并讨论了如何通过 Q 学习克服这些局限性。我们在 FrozenLake 环境上验证了 Q 学习算法，并探讨了使用神经网络近似 Q 值时引入的额外复杂性。我们介绍了 DQN 的几种技巧，以提高其训练稳定性和收敛速度，例如经验回放缓冲区、目标网络和帧堆叠。最后，我们将这些扩展整合到一个 DQN 实现中，使其能够解决 Atari 游戏套件中的 Pong 环境。在下一章中，我们将简要介绍更高层次的 RL 库。
2025-05-13 00:08:18
943
原创 第五章、表格学习与贝尔曼方程【Deep Reinforcement Learning Hands-On/深度强化学习实战手册】
恭喜你，你又向理解现代最先进的强化学习方法迈出了一步！在本章中，你学习了一些在深度强化学习中广泛使用的非常重要的概念：状态价值、动作价值以及各种形式的贝尔曼方程。我们还介绍了价值迭代方法，这是 Q 学习领域中非常重要的构建块。最后，你了解了价值迭代如何改进我们的 FrozenLake 解决方案。在下一章中，你将学习深度 Q 网络，它在 2013 年通过在许多 Atari 2600 游戏中击败人类，开启了深度强化学习的革命。
2025-05-10 13:27:21
831
原创 第三章、使用 PyTorch 进行深度学习【Deep Reinforcement Learning Hands-On/深度强化学习实战手册】
在上一节中，我简要提到了nn.Module类作为 PyTorch 中所有神经网络构建块的基础父类。它不仅仅是现有层的统一父类，它的功能远不止于此。通过子类化nn.Module类，你可以创建自己的构建块，这些构建块可以堆叠在一起、稍后重用，并完美地集成到 PyTorch 框架中。在其核心，nn.Module它跟踪当前模块包含的所有子模块。例如，你的构建块可以有两个前馈层，以某种方式用于执行块的变换。要跟踪（注册）子模块，你只需要将其分配给类的字段。它提供了处理注册子模块所有参数的函数。
2025-05-09 14:40:26
929
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人