强化学习工具箱
使用强化学习设计和培训政策
强化学习工具箱™提供了使用强化学习算法(包括DQN、A2C和DDPG)的训练策略的函数和模块。您可以使用这些策略为复杂系统(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这些策略。
这个工具箱允许您通过使策略与MATLAB表示的环境交互来训练策略®或仿真金宝app软件®模型。您可以评估算法,使用超参数设置进行实验,并监控训练进度。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,现有的策略可以从深度学习框架,如TensorFlow™Keras和PyTorch(与深度学习工具箱™)导入。您可以生成优化的C、c++和CUDA代码,以便在微控制器和gpu上部署训练有素的策略。
工具箱包括使用强化学习设计机器人和自动驾驶应用控制器的参考示例。
开始
学习强化学习工具箱的基础知识
MATLAB环境中
利用MATLAB建立强化学习环境动力学模型
金宝app仿真软件环境
利用Simulink模型对强化学习环境动力学进行建模金宝app
政策及价值功能
定义策略和值函数表示,如深度神经网络和Q表
代理
使用常用算法(如SARSA、DQN、DDPG、A2C)创建和配置强化学习代理
培训和验证
训练和模拟强化学习代理
政策部署
经过培训的策略的代码生成和部署