开始加固学习工具箱
使用强化学习设计和列车政策
强化学习工具箱™提供应用,功能和模拟链接金宝app®块用于使用加强学习算法的培训政策,包括DQN,PPO,SAC和DDPG。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。
Toolbox允许您使用深神经网络或查找表格表示策略和值函数,并通过与Matlab中建模的环境的交互培训®或者是金宝appsimulink。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,监控培训进度,并模拟培训的代理。为了提高培训性能,可以在多个CPU,GPU,计算机集群和云上并行运行模拟(具有并行计算工具箱™和MATLAB并行服务器™)。
通过Onnx™模型格式,可以从深度学习框架(如Tensorflow™Keras和Pytorch)导入现有策略(具有深度学习工具箱™)。您可以生成优化的C,C ++和CUDA®用于部署微控制器和GPU的培训策略的代码。工具箱包含参考示例,以帮助您开始。
教程
- MDP环境中的火车强化学习代理
在通用马尔可夫决策过程环境中列车钢筋学习代理。
- 在基本网格世界中列车加固学习代理
火车Q-Learning和Sarsa代理商解决Matlab的网格世界。
- 创建Simul金宝appink环境和培训代理
使用钢筋学习用植物进行培训控制器作为培训环境。金宝app
- 使用钢筋学习设计师的设计和火车代理
使用钢筋学习设计器应用程序设计和培训DQN代理的推车系统。
关于加强学习
- 什么是加强学习?
增强学习是一种目标定向的计算方法,其中计算机学习通过与不确定的动态环境进行交互来执行任务。
- 控制系统应用的加固学习
您可以培训加固学习代理来控制一个未知的工厂。