加固学习工具箱
使用强化学习设计和培训政策
Reinforcement Learning Toolbox™提供了一个应用程序、函数和Simulink金宝app®使用强化学习算法的培训政策阻止,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。
这个工具箱允许您使用深度神经网络或查询表来表示策略和值函数,并通过与MATLAB中建模的环境进行交互来训练它们®或仿真金宝app软件。您可以评估工具箱中提供的单或多智能体强化学习算法,或开发自己的算法。您可以试验超参数设置,监控训练进度,并通过应用程序交互或编程模拟训练过的代理。为了提高训练性能,模拟可以在多个cpu、gpu、计算机集群和云上并行运行(使用并行计算工具箱™和MATLAB并行服务器™)。
通过ONNX™模型格式,现有的策略可以从深度学习框架导入,如TensorFlow™Keras和PyTorch(使用深度学习工具箱™)。你可以生成优化的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。
开始:
免费的电子书
强化学习与MATLAB和Simulink金宝app
Simulink中的单agent和多agent强化学习金宝app
在Simulink中用RL代理块创建和训练强化学习代理。金宝app在Simulink中使用RL Agent块的多个实例同时训练多个Agent (multi-agent reinforcement learning)。金宝app
金宝appSimulink和Simscape环境
使用Si金宝appmulink和Simscape™创建环境的模型。在模型中指定观察、行动和奖励信号。
Matlab环境
使用MATLAB函数和类来模拟环境。在MATLAB文件中指定观察,操作和奖励变量。
分布式计算和多核加速
通过在多核计算机、云资源或计算集群上运行并行模拟来加速训练并行计算工具箱和MATLAB并行服务器.
GPU加速
高性能NVIDIA加快深度神经网络培训和推论®GPU。使用matlab并行计算工具箱和最支持的CUDA启用的NVIDIA GPU计算能力3.0及以上.
代码生成
使用GPU编码器™从代表训练过的策略的MATLAB代码生成优化的CUDA代码。使用Matlab Coder™生成C / C ++代码以部署策略。
Matlab编译器支持金宝app
使用MATLAB编译器™和MATLAB编译器SDK™将培训的策略部署为独立应用程序,C / C ++共享库,Microsoft®net程序集,Java®课程和python®包。
入门
了解如何为一些问题开发强化学习策略,如倒转一个简单的钟摆,导航一个网格世界,平衡一个车杆系统,以及解决一般的马尔可夫决策过程。
自动驾驶
设计加强学习政策,自动驾驶应用,如自适应巡航控制,车道保持援助和自动停车。
强化学习视频系列
观看这个系列的视频来学习更多关于强化学习的知识。