DQN 迷宫 神经网络 全部代码 https://blog.csdn.net/qq_26696715/article/details/116705652

使用强化学习玩flappy-bird,里面带有详细的安装教程

这是用DQN来走迷宫的一个代码，可以看出DQN的完整用法。

详细分析莫烦DQN代码 Python入门，莫烦是很好的选择，快去b站搜视频吧！ 作为一只渣渣白，去看了莫烦的强化学习入门， 现在来回忆总结下DQN，作为笔记记录下来。 主要是对代码做了详细注释 DQN有两个网络，一个eval网络，一个target网络，两个网络结构相同，只是target网络的参数在一段时间后会被eval网络更新。 maze_env.py是环境文件，建立的是一个陷阱游戏的环境，就不用细分析了。 RL_brain.py是建立网络结构的文件： 在类DeepQNetwork中，有五个函数： n_actions 是动作空间数，环境中上下左右所以是4，n_features是状态特征数，根据

该代码采用DQN深度Q网络完成了一个示例，代码为MATLAB环境

深度交易 单一股票的DQN，韩元成对交易

详情参考博文。

Python实现走迷宫，迷宫环境可视化，代码参考莫烦python，可以直接运行，DQN网络使用tensorflow搭建，代码注释非常全，基本每一句都有，而且可以使用tensorboard查看日志，需要将log_out参数设置为true

使用Pytorch实现的深度RL算法 算法列表： 关于深入探讨 实验结果： 算法 离散环境：LunarLander-v2 连续环境：Pendulum-v0 DQN -- VPG -- DDPG -- TD3 -- SAC -- PPO -- 用法： 只需直接运行文件/算法。 在我学习算法时，它们之间没有通用的结构。 不同的算法来自不同的来源。 资源： 未来的项目： 如果有时间，我将为使用RL的电梯添加一个简单的程序。 更好的图形

整理了强化学习入门时必看的论文，主要是有关DQN算法的，致力于强化学习的小伙伴应该必看这些论文的