rubik：学习如何使用强化学习来解决魔方-源码

魔方 学习如何使用强化学习来解决魔方 状态 模型正在学习一些东西。 我尝试调整模型的结构，但无法达到低于18的损失，这似乎很高。 仅需1个深度的贪婪搜索就足以解决5次旋转扰乱的多维数据集。 下一步： 在get_td_value_examples和贪婪求解器中批量调用模型。 实施A *。 进一步调查模型的行为： 比损失多的指标（例如平均L1误差） 通过标签对度量进行切片：我们是否更擅长将立方体距已解决状态更近或更远？ 以1 / {为打乱而进行的旋转次数}为单位进行举重训练示例。 实现既有价值头又有政策头的模型 实施MCTS。 参考 Agostinelli，F.，McAleer，S.，Shmakov，A。等。 通过深度强化学习和搜索解决魔方。 Nat Mach Intell 1，356–363（2019）。 DeepCubeA。 DNN使用TD（0）学习值函数 更复杂的网