GAN-强化学习

第8章 注意力机制与外部记忆

章前馈神经网络第5章卷积神经网络第6章循环神经网络第7章网络优化与正则化第8章注意力机制与外部记忆第9章无监督学习第10章模型独立的学习方式第11章概率图模型第12章深度信念网络第13章深度生成模型第14章深度强化学习第
zaiziwamei·2022-12-07 10:47

第9章 无监督学习

章前馈神经网络第5章卷积神经网络第6章循环神经网络第7章网络优化与正则化第8章注意力机制与外部记忆第9章无监督学习第10章模型独立的学习方式第11章概率图模型第12章深度信念网络第13章深度生成模型第14章深度强化学习第
zaiziwamei·2022-12-07 09:41

【人工智能】基于蒙特卡洛树搜索和策略价值网络的AI五子棋算法设计

基于蒙特卡洛树搜索和策略价值网络的AI五子棋算法设计摘要蒙特卡洛树搜索算法五子棋博弈的状态价值函数附1：详细论文说明下载：附2：实现代码下载（2022.10更新后代码）：摘要随着人工智能领域的发展，深度学习、强化学习等算法被广泛应用于解决各种游戏博弈问题
别出BUG求求了·2022-12-07 05:14

基于模型与不基于模型的深度增强学习_[Model-based]基于模型的强化学习论文合集...

最近组里在讨论接下来在强化学习这块的研究方向，在讨论之前，我们把强化学习各个子方向的论文都粗略过了一下，涉及到model-free/model-based/multi-agent/deepexploration
weixin_39564386·2022-12-06 22:22

[Distributed Training]强化学习并行训练论文合集

77976582github：https://github.com/PaddlePaddle/PARL/blob/develop/papers/archive.md#distributed-training整体介绍强化学习需要的数据量其实是相当大的
小芮猪·2022-12-06 22:50

[Model-based]基于模型的强化学习论文合集

[背景]阻碍强化学习落地的致命缺点强化学习近些年在控制领
小芮猪·2022-12-06 22:20

[model-free] 经典强化学习论文合集

对刚接触强化学习，然后又想深入
小芮猪·2022-12-06 22:20

强化学习论文笔记：Soft Actor Critic算法

SoftActorCritic是伯克利大学团队在2018年的ICML（InternationalConferenceonMachineLearning）上发表的off-policymodel-free强化学习算法论文地址为
浅唱丶·2022-12-06 22:48

《强化学习周刊》第18期：ICML-2021强化学习的最新研究与应用

No.18智源社区强化学习组强化学习研究观点资源活动关于周刊强化学习作为人工智能领域研究热点之一，其研究进展与成果也引发了众多关注。
智源社区·2022-12-06 22:47

【强化学习论文合集】八.2018国际机器学习大会论文(ICML2018)

强化学习（ReinforcementLearning,RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题
山野庸才熏悟空·2022-12-06 22:46

【强化学习论文合集】六.2017国际人工智能联合会议论文(IJCAI2017)

强化学习（ReinforcementLearning,RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题
山野庸才熏悟空·2022-12-06 22:57

【强化学习论文合集】二十七.2020机器人与自动化国际会议论文(ICRA2020)

强化学习（ReinforcementLearning,RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题
山野庸才熏悟空·2022-12-06 22:56

【强化学习论文合集】五.2017国际表征学习大会论文(ICLR2017)

强化学习（ReinforcementLearning,RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题
山野庸才熏悟空·2022-12-06 22:56

【重磅最新】163篇ICML-2021强化学习领域论文整理汇总(2021.06.07)

深度强化学习实验室官网：http://www.neurondance.com/论坛：http://deeprl.neurondance.com/作者：深度强化学习实验室来源：整理自https://icml.cc
深度强化学习实验室·2022-12-06 22:23

【强化学习论文合集】十五.2019国际机器学习大会论文(ICML2019)

强化学习（ReinforcementLearning,RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题
山野庸才熏悟空·2022-12-06 22:50

名校 AI 课程｜斯坦福 CS25：Transformers United 专题讲座

自2017年提出后，Transformer名声大噪，不仅颠覆了自然语言处理（NLP）领域，而且在计算机视觉（CV）、强化学习（RL）、生成对抗网络（GANs）、语音甚至是生物学等领域也大显锋芒，于是就有了近年来看到的基于
矩池云Matpool·2022-12-06 20:50

多智能体强化学习及其在游戏AI上的应用与展望

强化学习是实现决策智能的重要路径，而现实世界中往往存在着多智能体的交互，也催生了多智能体强化学习的发展。这篇文章主要对多智能体强化学习进行整体阐述，并对其在游戏AI上的应用进行探讨与展望。
wangchewen·2022-12-06 20:06

多智能体强化学习算法【三】【QMIX、MADDPG、MAPPO】

相关文章：常见多智能体强化学习仿真环境介绍【一】｛推荐收藏，真的牛｝多智能体强化学习算法【一】【MAPPO、MADDPG、QMIX】多智能体强化学习算法【二】【MADDPG、QMIX、MAPPO】多智能体强化学习算法
汀、·2022-12-06 20:36

多智能体强化学习之QMIX

论文：QMIX:MonotonicValueFunctionFactorisationforDeepMulti-AgentReinforcementLearning参考博客：多智能体强化学习入门（五）—
微笑小星·2022-12-06 20:36

多智能体强化学习——值分解方法理论及代码组件

1.理论值分解方法是一种主流的多智能体强化学习解决方案。
qq_40831388·2022-12-06 20:05

【QMIX】一种基于Value-Based多智能体算法

CentralizedTrainingDistributedExecution）模式2.2AgentRNNNetwork2.3MixingNetwork2.4模型更新流程3.QMIX效果QMIX是一种基于Value-Based的多智能体强化学习
__何枝·2022-12-06 20:35

多智能体强化学习论文——QMIX

存在的问题&研究动机&研究思路利用额外状态信息学习联合动作价值的策略是一种attractive的方式，但分散式的策略尚不清晰，因此提出QMIX。在部分可观测的情况下，只能依靠每个智能体历史的局部观测信息进行决策。分散式的策略可以通过集中式的方式进行训练。这可以获得额外的状态信息，消除智能体之间通信的约束。这种方式遵循CTDE框架。通过全局状态和联合动作得到的总体的Q值不能很好的提取分散式的策略，即
条件反射104·2022-12-06 20:35

多智能体强化学习—QMIX

多智能体强化学习—QMIX论文地址：https://arxiv.org/pdf/1803.11485.pdf1介绍  首先介绍一下VDN（valuedecompositionnetworks）顾名思义，
Spgroc·2022-12-06 20:04

强化学习调度环境：析取图和离散事件仿真

文章目录何为析取图和离散事件仿真模型析取图模型离散事件仿真模型强化学习环境调度环境基于析取图的调度环境基于离散事件仿真的调度环境总结近日有小伙伴在复现强化学习求解作业车间调度的文章代码问题时遇到一些疑惑
松间沙路hba·2022-12-06 18:06

重磅 | 完备的 AI 学习路线，最详细的资源整理！

【导读】本文由知名开源平台，AI技术平台以及领域专家：Datawhale，ApacheCN，AI有道和黄海广博士联合整理贡献，内容涵盖AI入门基础知识、数据分析\挖掘、机器学习、深度学习、强化学习、前沿
算法channel·2022-12-06 17:28

CASREL:A Novel Cascade Binary Tagging Framework for Relational Triple Extraction（关系抽取，ACL2020,重叠关系）

2.相关工作3.TheCASRELFramework3.1Bert3.2cascadedecoder4.实验5.结果参考1.介绍做重叠关系的少重叠关系：Zengetal.(2018)：seq2seq+强化学习改善提取顺序
叶落叶子·2022-12-06 16:48

【Pytorch】第 1 章 ：强化学习和 PyTorch 入门

大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流个人主页－Sonhhxg_柒的博客_CSDN博客欢迎各位→点赞+收藏⭐️+留言系列专栏-机器学习【ML】自然语言处理【NLP】深度学习【DL】foreword✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。如果你对这个系列感兴趣的话，可以关注订阅哟文章目录
Sonhhxg_柒·2022-12-06 16:47

深度学习最常见的 26 个模型汇总，请务必掌握！

点击上方“AI有道”，选择“置顶”公众号重磅干货，第一时间送达本文转载自公众号：AI部落联盟（AI_Tribe）本文首先从4个方面（张量、生成模型、序列学习、深度强化学习）追踪深度学习几十年的发展史，然后再介绍主流的
weixin_33671935·2022-12-06 15:42

这个开源项目用Pytorch实现了17种强化学习算法

OpenSourceTop）猿妹编译链接：https://github.com/p-christ/Deep-Reinforcement-Learning-Algorithms-with-PyTorch强化学习在过去的十年里取得了巨大的发展
程序员大咖·2022-12-06 14:43

成为“首席AI架构师”的全流程方法论

AI时代呼啸而至，深度学习、强化学习、图神经网络显示出强大的技术张力，但为何在产业应用落地中又会遇到种种挑战，让不少产业从业者担忧——AI到底离我们有多远？
QbitAl·2022-12-06 14:34

CTO案头必备｜AI技术产业落地的42章经

AI时代呼啸而至，深度学习、强化学习、图神经网络显示出强大的技术张力，但为何在产业应用落地中又会遇到种种挑战，让不少产业从业者担忧——AI到底离我们有多远？
PaperWeekly·2022-12-06 14:34

人工智能的产业落地经验！

AI时代呼啸而至，深度学习、强化学习、图神经网络显示出强大的技术张力，但为何在产业应用落地中又会遇到种种挑战，让不少产业从业者担忧——AI到底离我们有多远？
Datawhale·2022-12-06 14:04

什么是强化学习，强化学习在控制系统中的应用以及matlab强化学习工具箱的介绍

一、ReinforcementLearningToolbox介绍强化学习工具箱使用强化学习算法（包括DQN，A2C和DDPG）为训练策略（policy）提供函数和模块。
领海王WHL·2022-12-06 14:11

强化学习Sarsa算法走迷宫小例子

Sarsa算法：Sarsa算法与Q-learing算法的不同之处是什么？一个简单的解释，引用莫凡大神的话：他在当前state已经想好了state对应的action,而且想好了下一个state_和下一个action_(Qlearning还没有想好下一个action_)更新Q(s,a)的时候基于的是下一个Q(s_,a_)(Qlearning是基于maxQ(s_))对于第二句话，可以从走迷宫的代码中只管
xckkcxxck·2022-12-06 12:06

强化学习实战-使用Sarsa算法解决迷宫问题

Sarsa简介Sarsa全称是state-action-reward-state’-action’，目的是学习特定的state下，特定action的价值Q，最终建立和优化一个Q表格，以state为行，action为列，根据与环境交互得到的reward来更新Q表格，更新公式为：Sarsa在训练中为了更好的探索环境，采用ε-greedy方式来训练，有一定概率随机选择动作输出。迷宫问题如下图所示，迷宫问
wydxry·2022-12-06 12:05

强化学习实战-使用Q-learning算法解决迷宫问题

Q-learning简介Q-learning也是采用Q表格的方式存储Q值（状态动作价值），决策部分与Sarsa是一样的，采用ε-greedy方式增加探索。Q-learning跟Sarsa不一样的地方是更新Q表格的方式。Sarsa是on-policy的更新方式，先做出动作再更新。Q-learning是off-policy的更新方式，更新learn()时无需获取下一步实际做出的动作next_actio
wydxry·2022-12-06 12:05

【5】强化学习之时序差分方法（Sarsa和Q-learning）

目录1、时序差分预测1）与动态规划方法的比较2）与蒙特卡罗方法的比较3）时序差分预测伪代码2、Sarsa算法：在线策略的时序差分方法3、Q-learning算法：离线策略的时序差分方法4、Q-learning解决寻宝问题1）环境编写2）算法实施蒙特卡罗方法可以在不知道环境特性的时候，通过与环境互动来估计状态（或状态-动作）的价值函数，但该方法也有一定的缺陷。首先，由于环境的动态特性，蒙特卡罗每次寻
Water-drop-conquer·2022-12-06 12:35

强化学习之DQN：算法思想、案例及详解，使用DQN算法实现自动走迷宫

DQN算法及案例：如何使用DQN实现走迷宫算法原理案例详解算法原理在了解DQN之前，我们需要知道值函数近似这一思想。值函数近似：在数据较大情况下，根据s&a去查询Q值会比较困难。值函数近似是输入s和a，近似地计算得到Q值，在DQN中使用的是神经网络完成这一步骤，简单情况下使用线性函数也行。DQN：融合神经网络和Q值。Q值难以记录，可以通过神经网络输入s、a，然后输出Q值进行策略的选择。前面提到的算
Rulcy·2022-12-06 12:35

强化学习 Sarsa-lambda算法走迷宫小例子

Sarsa-lambda是Sarsa算法的一种提速的方法。如果说Sarsa和Qlearning都是每次获取到reward,只更新获取到reward的前一步.那Sarsa-lambda就是更新获取到reward的前lambda步.lambda是在[0,1]之间取值,如果lambda=0,Sarsa-lambda就是Sarsa,只更新获取到reward前经历的最后一步.如果lambda=1,Sarsa
xckkcxxck·2022-12-06 12:35

莫烦强化学习视频笔记：第三节 3.2 Sarsa算法更新和思维决策（迷宫例子）

目录1.要点2.算法流程3.算法代码部分3.1迭代更新3.2思维决策代码3.2.1学习1.要点这次我们用同样的迷宫例子来实现RL中另一种和Qlearning类似的算法,叫做Sarsa(state-action-reward-state-action).我们从这一个简称可以了解到,Sarsa的整个循环都将是在一个路径上,也就是on-policy,下一个state,和下一个action将会变成他真正采
Sophia$·2022-12-06 12:04

Q-Learning解决一维寻宝问题

前言强烈推荐【莫烦python】的强化学习视频课程，对初学者入门较为友好，最主要是免费。
南音小榭·2022-12-06 12:04

强化学习（探险者寻宝藏）

前言学习莫凡python强化学习中的第一个例子，探险者寻宝藏因为视频时间久远，视频中很多函数已经被弃用，导致代码报错这里将报错代码进行更正，并附上详细注释结合《强化学习》（第二版）分别使用ϵ−\epsilon-ϵ
羽星_s·2022-12-06 12:34

【莫烦强化学习】视频笔记（三）2.SARSA学习实现走迷宫

第8节SARSA学习实现走迷宫之前一篇文章已经介绍过Q学习实现走迷宫的程序编写，对Q学习的整个过程也有了更加深刻的了解，文章链接：【莫烦强化学习】视频笔记（二）3.Q_Learning算法实现走迷宫这里只介绍与
你的宣妹·2022-12-06 12:03

【强化学习】Q-learning与SARSAS算法比较与SARSA算法实现

一、Q-learning与SARSA区别Q-learning为offpolicy(通过之前的历史，也可以是别人的历史，学习者和决策者不一定相同)，target使用greedy，action用ε-greedy。行动策略和评估策略不是一个策略。SARSA是on-policy的更新方式（边决策边学习，学习者也是决策者），它的行动策略和评估策略都是ε-greedy策略。与Q-learning相比更保守。二
cc街道办事处·2022-12-06 12:33

【强化学习】迷宫寻宝：Sarsa和Q-Learning

相关代码主要参考自邹伟等人所著的《强化学习》(清华大学出版社)。.理论基础这里简单放一下Sarsa和Q-Learning的更新公式，更详细的内容可参看本专栏后续的知识点整理。
zstar-_·2022-12-06 12:02

PARL源码走读——使用策略梯度算法求解迷宫寻宝问题

前不久，百度发布了基于PaddlePaddle的深度强化学习框架PARL。作为一个强化学习小白，本人怀着学习的心态，安装并运行了PARL里的quick-start。
飞桨PaddlePaddle·2022-12-06 12:02

《Easy RL：强化学习教程》出版了！文末送书

作为人工智能里最受关注的领域之一，强化学习的热度一直居高不下，但它的学习难度也同样不低。
夕小瑶·2022-12-06 12:01

深度强化学习落地方法论（7）——训练篇

目录训练开始前环境可视化数据预处理训练进行中拥抱不确定性DRL通用超参数折扣因子作用原理选取方法FrameSkipping网络结构网络类型网络深度DRL特色超参数DQNDDPGPPO给DRL初学者的建议训练收敛后总结为了保证DRL算法能够顺利收敛，policy性能达标并具有实用价值，结果有说服力且能复现，需要算法工作者在训练前、训练中和训练后提供全方位一条龙服务。我记得GANs刚火起来的时候，因为
wyjjyn·2022-12-06 07:02

MACHINE LEARNING FOR SPACE–AIR–GROUND INTEGRATED NETWORK ASSISTED VEHICULAR NETWORK

摘要：1.新型网络架构：天空地综合车辆网络（SAGIVN）2.目前挑战：资源池的管理、异构节点之间的交流转换3.内容：机器学习在SAGIVN中的应用、研究案例：SAGIVN中基于联邦强化学习的交通卸载方案
唉啵yoyo·2022-12-06 00:08

基于深度强化学习的机器人运动控制研究进展 | 无模型强化学习 | 元学习

1.基于深度强化学习的机器人运动控制研究进展1.1深度强化学习1.1.1强化学习简介：强化学习(ReinforcementLearning,RL)利用试错机制与环境进行交互,旨在通过最大化累积延迟奖励(
小帅吖·2022-12-05 23:53
上一页 72 73 74 75 76 77 78 79 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他