强化学习工具箱™提供了一个应用程序,功能和Simulink的金宝app®阻止使用强化学习算法,包括DQN,PPO,SAC和DDPG培训政策。您可以使用这些策略来实现用于复杂应用程序的控制器和决策算法,例如资源分配,机器人和自主系统。
该工具箱让您表示使用深层神经网络或查找表的政策和价值功能,并与MATLAB建模环境中培养他们通过互动®或Si金宝appmulink中。您可以评估工具箱中提供的单个或多代理强化学习算法或开发您自己的学习算法。您可以通过应用程序或以编程方式进行高度参数设置,监视培训进度,并模拟培训的代理。提高训练的性能,模拟可以在多个的CPU,GPU,计算机集群,并且云并行运行(与并行计算工具箱™和MATLAB并行服务器™)。
通过Onnx™模型格式,现有的策略可以从DENE学习框架导入Tensorflow™Keras和Pytorch(具有深度学习工具箱™)。您可以生成优化的C,C ++,和CUDA®代码部署在微控制器和GPU的训练有素的政策。工具箱包含参考示例,以帮助您开始。
学习强化学习工具箱的基础知识
使用MATLAB模型强化学习环境动态
使用Simulink模型模型强化学习环境动态金宝app
创建并使用常见的算法,比如SARSA,DQN,DDPG和A2C配置强化学习代理商
定义策略和值函数的表示,如深层神经网络和Q表
培训和模拟强化学习代理商
代码生成和训练有素的政策部署