开始构建DQN算法(初始化memory空间,定义损失函数和优化器,神经网络中的参数初始化;根据gym环境返回的状态信息选择动作,将得到的收益值和下一个状态的信息存储起来;对memory中的experiences进行采样,对agent网络参数进行更新,将agent网络输出的q值与目标值比较产生的均方差作为损失用梯度下降(Adam优化器)进行反向传播;在固定...
Pytorch实现： 环境配置：需要配置gym和Pytorch环境。 实现步骤： 1. 环境初始化：创建gym环境，定义状态空间和动作空间。 2. 数据处理：利用经验重放机制存储和采样互动经验。 3. 模型训练：构建DQN模型，包括agent网络和目标网络，使用greedy策略选择动作，通过Pytorch进行模型训练和参数更新。在训练过程...
但是注意一定要搞清楚动作空间是离散的还是连续的，像DQN只能用于离散动作空间的情况！还有就是数据用csv...
加入Gitee 与超过 1200万 开发者一起发现、参与优秀开源项目,私有仓库也完全免费 :) 免费加入 已有帐号?立即登录 master 分支(1) 标签(3) 管理 管理 master lunarlander cartpole DQN 克隆/下载 HTTPSSSHSVNSVN+SSH 该操作需登录 Gitee 帐号,请先登录后再操作。
参考了一些文章,针对OpenAI gym环境,使用tf2.x实现了DQN算法;加上了一些没有太大必要(?)的小功能,比如:自动保存视频,保存训练日志从而利用TensorBoard实现数据可视化,保存和读取训练记忆,保存和读取DQN权重。适用于CartPole环境,只需少量改动也可以用于MountainCar环境。代码下载及本文参考见文末。