本文来自于csdn，本文章主要介绍了深度学习与强化学习结合起来从而实现从感知（Perception）到动作（Action）的端对端（End-to-end）学习的一种全新的算法。原因：在普通的Q-learning中，当状态和动作空间是离散且维数不高时可使用Q-Table储存每个状态动作对的Q值，而当状态和动作空间是高维连续时，使用Q-Table不现实。通常做法是把Q-Table的更新问题变成一个函数拟合问题，相近的状态得到相近的输出动作。如下式，通过更新参数θθ使Q函数逼近最优Q值而深度神经网络可以自动提取复杂特征，因此，面对高维且连续的状态使用深度神经网络最合适不过了。DRL是将深度学习（DL

实验室 RL算法的某些实现主要使用pytorch。 目前已实施： DQN DDPG 资产净值 优势演员克里蒂 安装： git clone 跑步： 安装后，只需运行main.py

maze_dqn 使用深度强化学习（DQN）解决迷宫任务

sfc-dqn 该存储库是软件驱动的5G Slice中基于纸质增强学习的基于QoS / QoE感知服务功能链的tensorflow实现。 以下是文件简介： env.py：模拟SFC链分配的环境。 config.py：带宽，延迟和sfc请求的预设 dqn.py：DQN算法的核心代码。 train.py：运行此文件以单独训练DQN代理： python train.py 。 它将从ckpt /加载检查点文件并继续训练，并自动将检查点保存在ckpt /中。 注意：请改用main.py。 ckpt：用于存储预训练参数的文件夹。 运行eval.py，main.py时需要。 eval.py：评估DQN的平均QoE和错误率，并随机生成100个sfc请求。 尝试使用python eval.py查看平均QoE和错误率。 如果通过cpu运行，则DQN的完整时间可能会更长。 random_sfc.

第9课：强化学习与DQN.pdf

关于强化学习dqn的相关代码，适合初学者认识和了解强化学习dqn

火炬RL RL方法的Pytorch实现 支持具有连续和离散动作空间的环境。 支持具有1d和3d观察空间的环境。 支持多进程环境 要求 一般要求 火炬1.7 健身房（0.10.9） Mujoco（1.50.1） 列表（用于日志） tensorboardX（日志文件输出） 张量板要求 Tensorflow：启动tensorboard或读取tf记录中的日志 安装 使用use environment.yml创建虚拟环境 conda create -f environment.yml source activate py_off 手动安装所有要求 用法 在配置文件中指定算法的参数，并在参数中指定日志目录/种子/设备 python examples/ppo_continuous_vec.py --config config/ppo_halfcheetah.json --seed 0 --device 0 --id ppo_halfcheetah 结帐示例文件夹以获取详细信息 目前包含： 政策上的方法： 加强 A2C（演员评论家） PPO（近端政策优化）

关于categorical dqn的例子，适合初学者对深度强化学习categorical dqn的认识和了解

深度学习 通过深度强化学习制作简单的游戏AI简介 Keras和Gym中最小和简单的深度Q学习实现。 不到100行代码！ 博客文章包含dqn.py代码的说明。 为了方便起见，我对该存储库进行了一些细微的调整，例如load和save功能。 我还使memory成为双端队列，而不只是列表。 这是为了限制内存中元素的最大数量。 训练对于dqn.py可能是不稳定的。 ddqn.py减轻了此问题。 我将在下一篇文章中介绍ddqn 。

您是否希望RL代理商在Atari上继续前进？ 彩虹就是您所需要的！ 这是从DQN到Rainbow的分步教程。 每章都包含理论背景和面向对象的实现。 只需选择您感兴趣的任何主题，然后学习！ 您甚至可以在智能手机上使用Colab立即执行它们。 如果您有任何改善建议，请随时提出问题或提出要求。 :) 如果您想要有关策略渐变方法的教程，请参阅。 内容 DQN [ ] [ ] DoubleDQN [ ] [ ] PriorityizedExperienceReplay [ ] [ ] DuelingNet [ ] [ ] NoisyNet [ ] [ ] CategoricalDQN [ ] [ ] N-stepLearning [ NBViewer ] [ Colab ] 彩虹[ NBViewer ] [ Colab ] 先决条件 此存储库已在Anac