莫烦 强化学习视频整理

2024-02-06 22:38

本文主要是介绍莫烦 强化学习视频整理,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

RL知识整理

RL分类

按是否理解环境分类:

  1. Model-free RL(不理解环境):
    用模型表示环境,从环境中得到反馈,再学习;
    只能一步一步等真实世界的反馈
    算法:Q Learning, Sarsa, Policy Gradients
  2. Model-Based RL(理解环境):
    可以模拟现实世界,有一个虚拟环境;
    预判断反馈
    算法:Q Learning, Sarsa, Policy Gradients

按思想分:

  1. Policy-Based RL(基于概率):
    输出行动概率,然后根据概率采取行动(即使某一动作概率最大,也不一定会选择)
    可以处理连续动作
    算法:Policy Gradients
  2. Value-Based RL(基于价值):
    输出所有动作的价值,根据最高价值选择(就是选价值最高的)
    无法处理连续动作
    算法:Q Learning, Sarsa
  3. Actor-Critic(二者结合)
    Actor基于概率做出动作,Critic给出动作的价值

按更新方式分:

  1. Monte-Carlo update(回合更新):
    游戏开始后等待游戏结束,再更新
    算法:基础版Policy Gradients, Monte-Carlo Learning

  2. Temporal-Difference update(单步更新):
    游戏进行的每一步都进行更新
    算法:Q-Learning, Sarsa, 升级版Policy Gradients

按是否离线分:

  1. On-Policy(在线学习):只能本人玩
    算法:Sarsa
  2. Off-Policy(离线学习):可以看着别人玩,从过往经验学习
    算法Q Learning, Deep Q Network

Q Learning

每一个决策过程都会有一个潜在奖励(建立Q表),Q值相当于采取动作时能够获得收益的期望,可用于评价在特定状态下采取某个动作的优劣。
首先根据state和Q table选择action(ε-greedy);执行action后,得到新的state和Q值以及奖励值;通过前一步的预测值和现在的真实值进行更新(见公式)
Q-learning的主要优势就是使用了时间差分法(融合了蒙特卡洛和动态规划)能够进行off-policy的学习,使用贝尔曼方程可以对马尔科夫过程求解最优策略
在这里插入图片描述
在这里插入图片描述

Sarsa

Q Learning在s_2估计选哪个动作会带来更大的奖励,Sarsa在s_2估计的动作就是要选择的动作
在这里插入图片描述
更新方式也变了,Sarsa选择离危险更远(on policy 胆子更小),Q Learning选择离成功更近
在这里插入图片描述
Q Learning:Off policy
在这里插入图片描述

Sarsa(𝝀)

𝝀:脚步衰减值(离奖励越远的步,越不重要)
Sarsa(0):单步更新法,只关注得到reward的前一步
Sarsa(1):回合更新,所有步更新力度一样
在这里插入图片描述
在这里插入图片描述

特点是需要额外维护一张E表,来衡量一个Episode内个体早期经过的状态对后续状态行为价值贡献的重要程度。
在这里插入图片描述

DQN

Deep Q Network:融合了神经网络+Q Learning
原因:状态太多了,全部用表格存储内存不够,且搜索耗时
过程:输入state和action,神经网络输出Q值;或者只输入state,输出所有动作值,直接选择最大值的动作
在这里插入图片描述
在这里插入图片描述

  • Experience replay
    记忆库,用于重复学习
    每次 DQN 更新的时候, 随机抽取一些之前的经历进行学习。随机抽取这种做法打乱了经历之间的相关性, 也使得神经网络更新更有效率

  • Fixed Q-targets
    暂时冻结q_target参数,切断相关性;使神经网络更容易收敛
    也是一种打乱相关性的机理, 如果使用 fixed Q-targets, 我们就会在 DQN 中使用到两个结构相同但参数不同的神经网络, 预测 Q 估计的神经网络具备最新的参数, 而预测 Q 现实的神经网络使用的参数则是很久以前的。

  • Q-Learning中用来计算target和预测值的Q是同一个Q,也就是说使用了相同的神经网络。这样带来的一个问题就是,每次更新神经网络的时候,target也都会更新,这样会容易导致参数不收敛。在有监督学习中,标签label都是固定的,不会随着参数的更新而改变。

  • 因此DQN在原来的Q网络的基础上又引入了一个target Q网络,即用来计算target的网络。它和Q网络结构一样,初始的权重也一样,只是Q网络每次迭代都会更新,而target Q网络是每隔一段时间才会更新

  • 改进:使用了卷积神经网络来逼近行为值函数;使用了target Q network来更新target;使用了经验回放Experience replay

Policy Gradient

特点:不通过分析奖励值,直接输出action,能够在连续区间内选择;
反向传递:大幅度提升高奖励action下一次被选择的概率,小幅度提升低奖励下一次被选中的概率
回合更新
在这里插入图片描述

Actor Critic

结合以值为基础和以概率为基础的算法。
Actor ->Policy Gradients 支持连续空间;
Critic-> Value-Based 能单步更新,提高学习效率
相当于actor选择下一步要做的行为,critic评判这个动作好不好

缺点:涉及到两个神经网络,且都是在连续状态中更新;导致神经网络学不到东西
=> Actor Critic + DQN = Deep Deterministic Policy Gradient

DDPG

优势:能在连续动作上有效学习
Deep + Deterministic Policy Gradient( Deterministic +Policy Gradient )
在这里插入图片描述
在这里插入图片描述
从DDPG网络整体上来说:他应用了 Actor-Critic 形式的, 所以也具备策略 Policy 的神经网络 和基于 价值 Value 的神经网络,因为引入了DQN的思想,每种神经网络我们都需要再细分为两个, Policy Gradient 这边,我们有估计网络和现实网络,估计网络用来输出实时的动作, 供 actor 在现实中实行,而现实网络则是用来更新价值网络系统的。再看另一侧价值网络, 我们也有现实网络和估计网络, 他们都在输出这个状态的价值, 而输入端却有不同, 状态现实网络这边会拿着从动作现实网络来的动作加上状态的观测值加以分析,而状态估计网络则是拿着当时 Actor 施加的动作当做输入。

在这里插入图片描述

这篇关于莫烦 强化学习视频整理的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/685773

相关文章

用js控制视频播放进度基本示例代码

《用js控制视频播放进度基本示例代码》写前端的时候,很多的时候是需要支持要网页视频播放的功能,下面这篇文章主要给大家介绍了关于用js控制视频播放进度的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言html部分:JavaScript部分:注意:总结前言在javascript中控制视频播放

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Mysql中深分页的五种常用方法整理

《Mysql中深分页的五种常用方法整理》在数据量非常大的情况下,深分页查询则变得很常见,这篇文章为大家整理了5个常用的方法,文中的示例代码讲解详细,大家可以根据自己的需求进行选择... 目录方案一:延迟关联 (Deferred Join)方案二:有序唯一键分页 (Cursor-based Paginatio

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Mysql中InnoDB与MyISAM索引差异详解(最新整理)

《Mysql中InnoDB与MyISAM索引差异详解(最新整理)》InnoDB和MyISAM在索引实现和特性上有差异,包括聚集索引、非聚集索引、事务支持、并发控制、覆盖索引、主键约束、外键支持和物理存... 目录1. 索引类型与数据存储方式InnoDBMyISAM2. 事务与并发控制InnoDBMyISAM

StarRocks索引详解(最新整理)

《StarRocks索引详解(最新整理)》StarRocks支持多种索引类型,包括主键索引、前缀索引、Bitmap索引和Bloomfilter索引,这些索引类型适用于不同场景,如唯一性约束、减少索引空... 目录1. 主键索引(Primary Key Index)2. 前缀索引(Prefix Index /

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

Java如何获取视频文件的视频时长

《Java如何获取视频文件的视频时长》文章介绍了如何使用Java获取视频文件的视频时长,包括导入maven依赖和代码案例,同时,也讨论了在运行过程中遇到的SLF4J加载问题,并给出了解决方案... 目录Java获取视频文件的视频时长1、导入maven依赖2、代码案例3、SLF4J: Failed to lo

Python实现多路视频多窗口播放功能

《Python实现多路视频多窗口播放功能》这篇文章主要为大家详细介绍了Python实现多路视频多窗口播放功能的相关知识,文中的示例代码讲解详细,有需要的小伙伴可以跟随小编一起学习一下... 目录一、python实现多路视频播放功能二、代码实现三、打包代码实现总结一、python实现多路视频播放功能服务端开

Python实现视频转换为音频的方法详解

《Python实现视频转换为音频的方法详解》这篇文章主要为大家详细Python如何将视频转换为音频并将音频文件保存到特定文件夹下,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. python需求的任务2. Python代码的实现3. 代码修改的位置4. 运行结果5. 注意事项