深度强化学习代码
当前，这里只有用于分布增强学习的代码。
C51，QR-DQN和IQN的代码与略有。 QUOTA是基于算法作者同的工作而实现的。 我最近注意到，我的DQN代码可能无法获得理想的性能，而其他代码却运行良好。 如果有人可以指出我的代码中的错误，我将不胜感激。
随时进行聊天-如果您想讨论任何事情，请给我发送电子邮件。
依赖关系：
pytorch（> = 1.0.0）
体育馆（= 0.10.9）
麻木
matplotlib
用法：
为了运行我的代码，您需要在主目录下创建两个子目录：./data/model/＆./data/plots/。 这两个目录用于存储数据。
当计算机的python环境满足上述依赖性时，您可以运行代码。 例如，输入：
python 3_ iqn . py Breakout
在命令行上运行以在Atari环境中运行算法。 您可以为代码内的算法更改一些特定参数。
训练后，您可以通过使用适当的参数运行result_show.py来绘制结果。
参考文献：
通过深度强化学习（DQN）进行人为控制[] []
强化学习的分布式视角（C51）[] []
2021-10-24 22:54:36
33KB
1
1.前言
循环神经网络让神经网络有了记忆, 对于序列型的数据,循环神经网络能达到更好的效果.接着我将实战分析手写数字的 RNN分类
2.导入模块、定义超参数
import torch
from torch import nn
import numpy as np
import matplotlib.pyplot as plt
torch.manual_seed(1)
TIME_STEP = 10
INPUT_SIZE = 1
LR = 0.02
3.数据准备且打印拟合目标
我们要用到的数据就是这样的一些数据, 用 sin 的曲线预测出 cos 的曲线，也即用sin拟合cos
steps =
2021-10-23 16:34:28
297KB
1
主动学习
以下两篇论文中成对约束和相对比较的主动学习代码：
Sicheng Xiong、Javad Azimi 和 Xiaoli Z. Fern。 半监督聚类约束的主动学习，IEEE Transactions on Knowledge on Data Engineering 26(1): 43-54 (2014)
Sicheng Xiong、Romer Rosales、Yuanli Pei 和 Xiaoli Z. Fern。 从相对比较中学习主动度量，arXiv:1409.4155 (2014)
2021-10-02 15:36:42
142KB
1
water quality matlab source code for anfis
2021-09-28 16:08:00
14KB
water quality matlab source code for anfis
2021-09-28 16:07:49
14KB