深度强化学习指南（与Keras和OpenAi体育馆一起使用） 使用Keras和OpenAi体育馆进行深度强化学习策略梯度方法的分步教程。 在这个简短的项目中，我们将使用强化学习算法（策略梯度方法-REINFORCE）训练神经网络玩Pong游戏。 如果要运行它，则只需克隆存储库，然后打开钢筋_learning_pong_keras_policy_gradients.ipynb ，然后阅读并运行笔记本 我们训练了一个简单的200个隐藏的神经元网络和一个卷积模型。 简单网络的示例播放： 简单网络玩游戏的视频（ ）： 卷积网络玩游戏的视频（ ）： 考虑到有限的时间和出于学习目的，我并不是要寻找一个受过良好训练的代理，但我希望这个项目可以帮助人们熟悉rl算法和keras的基本过程。 上面的视频花了3天时间让代理在慢速的计算机上学习。 为了获得生产结果，需要更多的培训和调整，这不是我

Policy Gradient algorithms (REINFORCE, NPG, TRPO, PPO)

DRL-2018 该存储库的功能是2018年夏季深度强化学习研究项目的工作（由Keith Ross教授建议，由纽约大学上海分校院长本科研究基金资助）。 在此项目中，我们尝试将“策略梯度”方法（香草策略梯度（aka REINFORCE），Actor-Critic和PPO）与“进化策略”相结合，以设计出一种提高样本效率的混合算法。 在MuJoCo基准上评估了所提出算法的性能。 参考： 加强：罗纳德·J·威廉姆斯。 用于连接符增强学习的简单统计梯度跟踪算法。 机器学习，8（3-4）：229–256，1992年。 影评人：理查德·萨顿（Richard S Sutton），大卫·麦卡莱斯特（David A McAllester），萨特德·辛格（Satinder P Singh）和伊谢·曼苏（Yishay Mansour）。 通过函数逼近进行强化学习的策略梯度方法。 在《神经信息处理系统的进步

seqGAN PyTorch实现的“ SeqGAN：具有策略梯度的序列生成对抗网络”。 （于兰涛等）。 该代码经过高度简化，注释和（希望）易于理解。 实施的策略梯度也比原始工作（ ）简单得多，并且不涉及推广-整个句子使用单一奖励（受的示例启发） ）。 使用的体系结构与原始工作中的体系结构不同。 具体而言，将循环双向GRU网络用作鉴别器。 该代码按论文中所述对合成数据进行实验。 我们鼓励您对代码作为问题的工作方式提出任何疑问。 要运行代码： python main.py main.py应该是您进入代码的入口。 技巧与观察 在这种情况下，以下黑客（从借来）似乎有效： 培训鉴别器

#3.3_进化策略+梯度下降=Natural_ES_(机器学习_进化算法_Evolutionary_Algorithm_教程教学

本课程为强化学习与控制，由清华大学开设，长聘教授李升波主讲，共十一讲，本讲为第七讲，主要介绍直接型RL的策略梯度法，包括各类Policy Gradient, 以及如何从优化的观点看待RL等。

pytorch-ddpg, 利用PyTorch实现深度确定策略梯度( DDPG )的实现 在 PyTorch 上的深度确定策略渐变概述这是使用 PyTorch 实现的深度确定策略渐变的实现。 utilities缓冲缓冲区和随机进程等实用程序的一部分来自 keras-rl 。 Contributes非常受欢迎。依赖项p

司机批评家 OpenAI Gym的CarRacing-v0环境解决方案。它使用DDPG算法（深度确定性策略梯度）。 快速开始 依存关系： 健身房0.18.0 Tensorflow 2.4.0 Matplotlib 3.3.4 当前版本的CarRacing-v0存在内存错误。为了解决这个问题，我们需要从Gym GitHub手动下载最新的“ car_racing.py”脚本。 正在运行的应用程序： 执行“ main_loop.py”以训练新模型。按空格键观看进度 可以通过运行“ evaluate_loop.py”来检查最佳解决方案。 解决方案 DDPG由4个网络组成： 演员-玩游戏 评论家-评估演员 目标演员和目标评论家-产生学习目标值 参考： : 它旨在创建一个基类，它将成为每个连续动作任务的基础。通过继承基类，可以轻松实现更复杂的解决方案。 CarRacing-v0是一种计算机视

马迪克-凯拉斯 在Keras中实现多代理深度确定性策略梯度（MADDPG）算法

多代理深确定性策略梯度 多主体深度确定性策略梯度（MADDPG）算法的Pytorch实现 这是我在论文中提出的算法的实现：“针对混合合作竞争环境的多主体Actor评论家”。 您可以在这里找到本文： : 您将需要安装多代理粒子环境（MAPE），可以在这里找到： : 确保创建具有MAPE依赖项的虚拟环境，因为它们有些过时了。 我还建议使用PyTorch 1.4.0版运行此程序，因为最新版本（1.8）似乎与我在计算批评者损失时使用的就地操作存在问题。 将主存储库克隆到与MAPE相同的目录中可能是最容易的，因为主文件需要该软件包中的make_env函数。 可以在以下位置找到本教程的视频： :