Emmanouil Tzorakoleftherakis, MathWorks
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(包括DQN、PPO、SAC和DDPG)的训练策略块。您可以使用这些策略为资源分配、机器人技术和自治系统等复杂应用程序实现控制器和决策算法。
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®用于在微控制器和GPU上部署经过培训的策略的代码。工具箱包括帮助您入门的参考示例。
Reinforcement Learning Toolbox™提供了一个应用程序、函数和模块,让您可以为复杂的应用程序(如机器人和自动驾驶)实现控制器和决策算法。
工具箱使您能够使用MATLAB完成强化学习工作流的所有步骤,从创建环境和代理,到策略培训和部署®&模金宝app拟®.
通过从内置算法(如DQN、PPO和SAC)中选择来定义代理,或者开发自己的自定义算法。
在强化学习设计器中以交互方式或编程方式创建代理对象。
对于深度神经网络策略,强化学习工具箱可以自动生成默认的网络结构。
或者,使用deep network Designer创建深度神经网络策略和价值函数…
或者用内置函数编程。
除神经网络外,还支持多项式和查找表。金宝app
您可以在MATLAB和Simulink中创建环境。金宝app
在Si金宝appmulink中,创建一个描述环境动力学、观察和奖励信号的模型。
要将环境模型与创建的代理对象连接,请分别使用代理块的一个或多个实例进行单个或多个代理培训。
对于MATLAB环境,您可以从提供的模板开始,并根据需要进行修改。
您还可以从几个预定义的MATLAB和Simulink环境中进行选择。金宝app
要开始培训,请指定培训选项,例如停止标准,并在应用程序中或以编程方式培训代理。
并行计算工具箱™ 与MATLAB并行服务器™ 让您通过并行模拟和计算来加速培训。
在培训期间,事件管理器帮助您直观地监控培训进度,并提供摘要统计信息。
培训完成后,您可以使用模拟环境验证经过培训的代理,并根据需要进行修改。
然后,您可以生成CUDA和C/C++代码来部署经过培训的策略。
有关强化学习工具箱的更多信息,请参阅文档和提供的示例。
你也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。