强化学习工具箱
通过强化学习设计和培训政策
强化学习工具箱™提供的功能和模块使用强化学习算法,包括DQN,A2C,和DDPG培训政策。您可以使用这些策略来实现控制器和决策算法的复杂系统,如机器人和自治系统。您可以实现使用深层神经网络,多项式,或查找表的策略。
工具箱允许您通过使策略与MATLAB表示的环境交互来培训策略®或仿真金宝app软件®模型。您可以评估算法,具有超参数设置和监控训练进度实验。为了提高训练性能,可以运行在云上,计算机集群,GPU的(并行计算工具箱™和MATLAB并行服务器™)并行模拟。
通过Onnx™模型格式,现有的策略可以从DENE学习框架导入Tensorflow™Keras和Pytorch(具有深度学习工具箱™)。您可以生成优化的C,C ++,和CUDA代码部署在微控制器和GPU的训练有素的政策。
工具箱包括使用强化学习为机器人和自动驾驶应用设计控制器的参考示例。
开始:
强化学习算法
使用Deep Q-网络(DQN)执行代理,最佳影评人(A2C),深确定性政策梯度(DDPG)等内置算法。使用模板来实现自定义代理的培训政策。
基于深度神经网络的策略和值函数表示
使用与大型国有企业,行动空间复杂系统的深层神经网络策略。定义使用网络和架构从深度学习工具箱政策。进口ONNX模型与其他深度学习框架的互操作性。
金宝appSimulink和Simscape环境
使用Si金宝appmulink和Simscape™模型来表示环境。在模型中指定观察、行动和奖励信号。
MATLAB环境中
利用Matlab函数和类来表示的环境。指定观察,行动和MATLAB文件中奖励的变量。
分布式计算和多核加速
通过在多核计算机,云资源,或者计算集群采用并行计算工具箱和运行并行计算加速培训MATLAB并行服务器.
GPU加速
使用高性能NVIDIA加速深度神经网络训练和推理®gpu。使用MATLAB并行计算工具箱和大多数CUDA®- 启用NVIDIA GPU的有计算能力3.0或更高.
代码生成
使用GPU编码器™以生成代表培训的政策MATLAB代码优化的CUDA代码。使用MATLAB编码器™生成C/ c++代码来部署策略。
MATLAB编译器支持金宝app
使用Matlab Compiler™和MATLAB编译器SDK™将经过培训的策略部署为C/ c++共享库,微软®.NET程序集,爪哇®Python类,®包裹。
开始
针对诸如平衡倒立摆、导航网格世界问题和平衡车杆系统等问题,实现基于强化学习的控制器。
机器人
使用强化学习为机器人设计控制器。