Reinforcement Learning Toolbox™为使用DQN、A2C、DDPG等强化学习算法的训练策略提供函数和模块。您可以使用这些策略来为复杂系统(如机器人和自主系统)实现控制器和决策算法。您可以使用深度神经网络、多项式或查找表来实现策略。
工具箱允许您通过使策略能够与MATLAB表示的环境进行交互来培训策略®或仿真金宝app软件®模型。您可以评估算法、试验超参数设置和监视训练进度。为了提高训练性能,您可以在云、计算机集群和gpu上并行运行模拟(使用并行计算工具箱™和MATLAB并行服务器™)。
通过ONNX™模型格式,可以从TensorFlow™Keras和PyTorch(使用deep learning Toolbox™)等深度学习框架导入现有策略。您可以生成优化的C、c++和CUDA代码,以便在微控制器和gpu上部署经过培训的策略。
工具箱包括使用强化学习为机器人和自动驾驶应用程序设计控制器的参考示例。
学习强化学习工具箱的基本知识
利用MATLAB建立强化学习环境动力学模型
使用Simulink模型对学习环境动态进行建模金宝app
定义策略和值函数表示,如深度神经网络和Q表
使用常用算法(如SARSA、DQN、DDPG和A2C)创建和配置强化学习代理
训练并模拟强化学习代理
生成代码并部署经过培训的策略