文件名称：pytorch-DQN:DQN的Pytorch实现
文件大小：1.5MB
文件格式：ZIP
更新时间：2024-05-04 05:45:52
Python
pytorch-DQN DQN的Pytorch实现 DQN 最初的Q学习使用表格方法（有关更多详细信息和实现，请参见 ）来解决，但是，表格Q学习的问题在状态增长时出现因为table不足以存储环境中给定的数亿个状态。 例如，环境为210x180黑白像素的游戏。 将有$ 2 ^ {180 * 210} $个可能的状态，对于一个表来说，这太多了。 DeepMind通过深度神经网络以DQN形式将DQN形式的深度学习和Q学习相结合，以近似值，首先在游戏中击败人类。 简而言之，DQN用深度神经网络（CNN或DNN）替换了表格，并使用目标网络来执行Bellman方程更新。 为了实现它，使用了一些技巧，例如目标网络和体验重播。 引入目标网络以收敛模型，因为频繁更新会使模型处于不稳定状态。 体验重播使用缓冲区存储所有过去（状态，动作，next_state）对，并通过对过去的体验进行采样来训练模型，这有
【文件预览】：
pytorch-DQN-main
----CartPole-v0.pth(74KB)
----train.py(4KB)
----agent.py(4KB)
----experience_replay.py(1KB)
----test.py(113B)
----images()
--------mountainCar_result.gif(358KB)
--------MountainCar.png(126KB)
--------DQN.png(122KB)
--------cartpole_result.gif(675KB)
--------CartPole-v0-reward.svg(83KB)
--------MountainCar-v0-reward.svg(85KB)
--------CartPole-v0.gif(143KB)
----Q_network.py(1016B)
----.vscode()
--------settings.json(78B)
----Q_network_pong.py(2KB)
----train_Pong.py(5KB)
----LICENSE(1KB)
----eval.py(2KB)
----README.md(4KB)
----runs()
--------Mar18_14-56-52_WilliamdeMacBook-Pro.local()
--------Mar18_14-53-31_WilliamdeMacBook-Pro.local()
----agent_pong.py(4KB)
----.gitignore(2KB)
----MountainCar-v0.pth(74KB)