DQN（Deep Q-Network）是强化学习中的一种算法，它结合了深度学习和Q-Learning，用于处理复杂的高维状态空间。DQN通过使用经验回放缓冲区和固定Q目标来稳定训练过程，其核心组成部分包括深度神经网络。该算法可以接受状态作为输入，输出对应的动作值。在Tensorflow等框架中实现DQN，通常涉及反向传播更新网络权重的过程。
一，什么是DQN?
学习资料：
强化学习与神经网络
如图显示，主要由DNN＋Q-Learning组成。
Q-Learning已经显示了它的强大。由于场景复杂，状态太多，计算机运行有限。DQN就为解决这个而生。
强大的DQN输入输出有两种，第一种，输入状态和动作，输出为Q表。第二种，输入状态，输出动作。
分析第二种情况：
反向传播更新DNN。
使得DQN无比强大的两大原因：第一，Experience replay；第二，Fixed Q-targets；
二，DQN算法更新(using Tensorflow)
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
