Zawartość
- Definicja - Co oznacza Deep Q-Networks?
- Wprowadzenie do Microsoft Azure i Microsoft Cloud | W tym przewodniku dowiesz się, na czym polega przetwarzanie w chmurze i jak Microsoft Azure może pomóc w migracji i prowadzeniu firmy z chmury.
- Techopedia wyjaśnia Deep Q-Networks
Definicja - Co oznacza Deep Q-Networks?
Deep Q Networks (DQN) to sieci neuronowe (i / lub powiązane narzędzia), które wykorzystują głębokie uczenie się Q w celu zapewnienia modeli, takich jak symulacja inteligentnej gry wideo. Głębokie sieci Q nie mogą być specyficzną nazwą dla konkretnej kompilacji sieci neuronowej, ale mogą składać się ze splotowych sieci neuronowych i innych struktur wykorzystujących określone metody do poznawania różnych procesów.
Wprowadzenie do Microsoft Azure i Microsoft Cloud | W tym przewodniku dowiesz się, na czym polega przetwarzanie w chmurze i jak Microsoft Azure może pomóc w migracji i prowadzeniu firmy z chmury.
Techopedia wyjaśnia Deep Q-Networks
Metoda głębokiego uczenia Q zwykle wykorzystuje coś, co nazywa się ogólną iteracją polityki, opisaną jako połączenie oceny polityki i iteracji polityki, w celu uczenia się polityk z wielowymiarowego wkładu sensorycznego.
Na przykład popularny typ głębokiej sieci Q opisanej w publikacjach technicznych, takich jak Medium, pobiera dane sensoryczne z gier wideo Atari 2600 w celu modelowania wyników. Odbywa się to na bardzo podstawowym poziomie poprzez gromadzenie próbek, przechowywanie ich i wykorzystywanie ich do powtórnego doświadczenia w celu aktualizacji sieci Q.
W ogólnym sensie głębokie sieci Q trenują na wejściach reprezentujących aktywnych graczy w obszarach lub innych doświadczonych próbkach i uczą się dopasowywać te dane do pożądanych wyników. Jest to potężna metoda w rozwoju sztucznej inteligencji, która może grać w gry takie jak szachy na wysokim poziomie lub wykonywać inne czynności poznawcze na wysokim poziomie - przykład Atari lub gry w szachy jest również dobrym przykładem tego, jak AI używa rodzaje interfejsów tradycyjnie używanych przez ludzi.
Innymi słowy, przy głębokim uczeniu się Q gracz AI staje się bardziej ludzkim graczem w nauce, aby osiągnąć pożądane wyniki.