Sisu
- Definitsioon - mida tähendab Deep Q-Networks?
- Sissejuhatus Microsoft Azure'i ja Microsoft Cloud | Kogu selle juhendi kaudu saate teada, mis on pilvandmetöötlus ja kuidas Microsoft Azure aitab teil pilvest rännata ja oma ettevõtet juhtida.
- Techopedia selgitab Deep Q-Networks-i
Definitsioon - mida tähendab Deep Q-Networks?
Süva Q võrgud (DQN) on närvivõrgud (ja / või nendega seotud tööriistad), mis kasutavad sügavat Q õppimist, et pakkuda selliseid mudeleid nagu intelligentsete videomängude mängimise simulatsioon. Selle asemel, et olla konkreetse närvivõrgu loomise konkreetne nimi, võivad Deep Q Networks koosneda konvolutsioonilistest närvivõrkudest ja muudest struktuuridest, mis kasutavad konkreetseid meetodeid erinevate protsesside tundmaõppimiseks.
Sissejuhatus Microsoft Azure'i ja Microsoft Cloud | Kogu selle juhendi kaudu saate teada, mis on pilvandmetöötlus ja kuidas Microsoft Azure aitab teil pilvest rännata ja oma ettevõtet juhtida.
Techopedia selgitab Deep Q-Networks-i
Kõrgmõõtmelise sensoorse sisendi abil poliitikate õppimiseks kasutatakse tavaliselt sügava Q õppimise meetodis nn üldist poliitika iteratsiooni, mida nimetatakse poliitika hindamise ja iteratsiooni koosmõjul.
Näiteks võtab tavaline sügav Q-võrk, mida käsitlevad tehnikaväljaanded, näiteks Medium, tulemuste modelleerimiseks Atari 2600 videomängude sensoorse sisendi. Seda tehakse väga põhimõtteliselt, kogudes proove, neid säilitades ja kasutades neid kogemuste kordusmängimiseks Q-võrgu värskendamiseks.
Üldises mõttes treenivad sügavad Q-võrgud sisendeid, mis esindavad alade aktiivseid mängijaid või muid kogenud proove, ning õpivad neid andmeid soovitud väljunditega sobitama. See on võimas meetod tehisintellekti arendamisel, millega saab mängida selliseid mänge nagu males kõrgel tasemel või viia läbi muid kõrgetasemelisi kognitiivseid tegevusi - Atari või malemängu videomängude näide on ka hea näide sellest, kuidas AI kasutab tüüpi liidesed, mida tavapäraselt kasutasid inimagendid.
Teisisõnu, sügava Q-õppimisega saab AI-mängija soovitud tulemuste saavutamiseks olla õppimises pigem inimmängija sarnane.