强化学习模型
强化学习技巧四：模型训练速度过慢、GPU利用率较低，CPU利用率很低问题总结与分析。
1.PyTorchGPU利用率较低问题原因：在服务器端或者本地pc端， 输入nvidia-smi来观察显卡的GPU内存占用率（Memory-Usage），显卡的GPU利用率（GPU-util），然后采用top来查看CPU的线程数（PID数）和利用率（%CPU）1.1 GPU内存占用率问题这是由于模型的大小以及batch size的大小，来影响这个指标。GPU的内存占用率主要是模型的大小，包括网络的
日期 2023-06-12 10:48:40![[JCIM | 论文简读] 使用强化学习和基于图的深度生成模型进行从头合成药物设计](/scriptcss/images/71.png)
[JCIM | 论文简读] 使用强化学习和基于图的深度生成模型进行从头合成药物设计
简读分享 | 王宇哲 编辑 | 乔剑博论文题目De Novo Drug Design Using Reinforcement Learning with Graph-Based Deep Generative 论文摘要机器学习采用深度生成模型为探索化学空间提供了有效的计算工具。在这里，本文提出了一种新的强化学习方案，对基于图的深度生成模型微调来解决分子设计任务。本文展示了计算框架如何成功地引导预
日期 2023-06-12 10:48:40
ICLR 2023 | PromptPG：当强化学习遇见大规模语言模型
机器之心专栏机器之心编辑部PromptPG 方法在回答问题的准确性上超过最优基准（Few-shot CoT GPT-3）5.31%。数学推理是人类智能的一项核心能力，但对于机器来说，抽象思维和逻辑推理仍然是一个很大的挑战。大规模预训练语言模型，如 GPT-3 和 GPT-4，在文本形式的数学推理（如数学应用题）上已经取得了显著的进展。然而，目前我们还不清楚这些模型能否处理涉及到异构信息（如表格数据
日期 2023-06-12 10:48:40无需强化学习的与人类偏好对齐的语言模型：Wombat袋熊
本文约1200字，建议阅读5分钟本文提出了基于排序的人类偏好对齐方法。复制OpenAI 的 ChatGPT 理解多种多样的的人类指令，并且可以很好的应对不同的语言任务需求。自发布以来就掀起了对于通用人工智能的讨论。ChatGPT 令人惊叹的能力来源于一种新颖的大规模语言模型微调方法：RLHF（通过强化学习对齐人类反馈）。RLHF 方法不同于以往传统的监督学习的微调方式，该方法首先让模型根据指令提示
日期 2023-06-12 10:48:40AI：人工智能领域算法思维导图集合之有监督学习/无监督学习/强化学习类型的具体算法简介(预测函数/优化目标/求解算法)、分类/回归/聚类/降维算法模型选择思路、11类机器学习算法详细分类之详细攻略
AI：人工智能领域算法思维导图集合之有监督学习/无监督学习/强化学习类型的具体算法简介(预测函数/优化目标/求解算法)、分类/回归/聚类/降维算法模型选择思路、11类机器学习算法详细分类(决策树/贝叶斯/回归/基于实例/集成学习/规则学习/正则化/降维/聚类/神经网络/深度学习)之详细攻略(持续更新) 目录 AI思维导图集合
日期 2023-06-12 10:48:40
AI：2020年6月24日北京智源大会演讲分享之强化学习专题论坛——12:10-12:40张伟楠《基于模型的强化学习：基础与前沿》
AI：2020年6月24日北京智源大会演讲分享之强化学习专题论坛——12:10-12:40张伟楠《基于模型的强化学习：基础与前沿》 导读：首先感谢北京智源大会进行主题演讲的各领域顶级教授，博主受益匪浅，此文章为博主在聆听各领域教授或专家演讲时，一张一张截图进行
日期 2023-06-12 10:48:40AI：2020年6月24日北京智源大会演讲分享之强化学习专题论坛——11: 40-12: 10俞扬教授《更好的环境模型，更好的强化学习》
AI：2020年6月24日北京智源大会演讲分享之强化学习专题论坛——11: 40-12: 10俞扬教授《更好的环境模型，更好的强化学习》 导读：首先感谢北京智源大会进行主题演讲的各领域顶级教授，博主受益匪浅，此文章为博主在聆听各领域教授或专家演讲时，一张一张截
日期 2023-06-12 10:48:40AI：人工智能领域算法思维导图集合之有监督学习/无监督学习/强化学习类型的具体算法简介(预测函数/优化目标/求解算法)、分类/回归/聚类/降维算法模型选择思路、11类机器学习算法详细分类之详细攻略
AI：人工智能领域算法思维导图集合之有监督学习/无监督学习/强化学习类型的具体算法简介(预测函数/优化目标/求解算法)、分类/回归/聚类/降维算法模型选择思路、11类机器学习算法详细分类(决策树/贝叶斯/回归/基于实例/集成学习/规则学习/正则化/降维/聚类/神经网络/深度学习)之详细攻略(持续更新) 目录 AI思维导图集合
日期 2023-06-12 10:48:40基于强化学习的倒立摆平衡控制系统simulink仿真,可以显示三维虚拟模型动画效果
目录 1.算法仿真效果 2.MATLAB核心程序 3.算法涉及理论知识概要 4.完整MATLAB 1.算法仿真效果 matlab2022a仿真结果如下： 2.MATLAB核心程序 ...................................................... %从解码器获取
日期 2023-06-12 10:48:40
（《机器学习》完整版系列）第16章 强化学习——16.4 有模型策略估值算法
已知策略，计算执行该策略获得的（平均）奖赏，即是策略估值，本篇利用Bellman等式【西瓜书式(16.7)(16.8)】进行策略估值。 策略估值算法
日期 2023-06-12 10:48:40（《机器学习》完整版系列）第16章 强化学习——16.3 有模型的迭代式的详细推导（并更正一些错误思路）
本篇详细推导出值函数的递归等式，称为贝尔曼方程（Bellman等式）。 有模型： 设马尔可夫决策过程（MDP）的四元组
日期 2023-06-12 10:48:40强化学习代码实战-06 DQN算法（单模型-平衡车）
import random import gym import torch import numpy as np from matplotlib import pyplot as plt from IPython import display env = gym.make("CartPole-v0") # 智能体状态 state = env.reset() # 动作空间 actions =
日期 2023-06-12 10:48:40强化学习代码实战-06 DQN算法（单模型）
现在我们想在类似车杆的环境中得到动作价值函数，由于状态每一维度的值都是连续的，无法使用表格记录，因此一个常见的解决方法便是使用函数拟合（function approximation）的思想。由于神经网络具有强大的表达能力，因此我们可以用一个神经网络来表示函数。 import random import gym import torch import numpy as np from matpl
日期 2023-06-12 10:48:40ICML 2018 | 从强化学习到生成模型：40篇值得一读的论文
https://blog.csdn.net/y80gDg1/article/details/81463731 感谢阅读腾讯AI Lab微信号第34篇文章。当地时间 7 月 10-15 日，第 35 届国际机器学习会议（ICML 2018）在瑞典斯德哥尔摩成功举办。ICML 2018 所接收的论文的研究主题非常多样，涵盖深度学习模型/架构/理论、强化学习、优化方法、在线学习、生成模型
日期 2023-06-12 10:48:40强化学习学习笔记：Q-learning无模型算法
强化学习按理解环境的程度可以划分为无模型和有模型,Q-Learning算法是典型的无模型强化学习算法,与有模型的强化学习算法的区别是它的后继状态\(\[S'\]\)未知，只能通过与环境交互以试验和采样的方法得到一个后继状态\(\[S'\]\)。所以Q-Learning算法仅由元组\(\[\left( {S,A,R,\gamma } \right)\]\)来描述。 强化学习是智能体从状态到动作的映
日期 2023-06-12 10:48:40强化学习学习笔记（四）：具有时差（TD）和Q学习的无模型预测与控制
学习目标 1.了解TD（0）进行预测 2.了解SARSA对策略的控制 3.了解Q-Learning以进行异策略控制 4.了解TD算法相对于MC和DP方法的优势 5.了解n步方法如何统一MC和TD方法 6.了解TD-Lambda的前后视图 总结 1.D-Learning是Monte Carlo和动态规划思想的结合。 像蒙特卡洛一样，根据样本工作，不需要环境模型。 像动态规划一样，TD使用 boot
日期 2023-06-12 10:48:40强化学习学习笔记（三）-蒙特卡洛（MC）的无模型预测和控制
学习目标 1.了解预测与控制之间的区别 2.知道如何使用MC方法预测状态值和状态-动作值 3.了解基于同策略的首次访问MC控制算法 4.了解异政策的MC控制算法 5.了解加权重要性抽样 6.了解MC算法比动态规划方法的优势 总结 1.动态规划方法假定完全了解环境（MDP）。 在实践中，我们通常对世界的运作方式并不完全了解。 2.蒙特卡洛（MC）方法可以直接从与环境互动中收集的经验中学习。 经验集
日期 2023-06-12 10:48:40强化学习学习笔记（二）-基于模型的动态规划方法
基于模型的动态规划算法 动态规划方法的动态一词指的是问题的顺序或时间组成部分，规划一词指优化一个“程序”，即策略。动态规划是解决复杂问题的一种方法。复杂问题可以分解为很多子问题，解决子问题并把这些子问题结合一起。 动态规划假定完全了解MDP，即已知环境模型。可以用于一个MDP的规划。 动态规划（DP）一词是指一组算法，这些算法可用于在给定环境完美模型作为马尔可夫决策过程（MDP）的情况下计算最佳
日期 2023-06-12 10:48:40在强化学习算法性能测试时使用训练好的模型运行游戏，此时如何控制实时游戏画面的帧数
问题： 在强化学习算法性能测试时使用训练好的模型运行游戏，此时如何控制实时游戏画面的帧数? ======================================== 看到很多训练好的模型与游戏交互时控制游戏画面帧数的方法，但一直也没有一个让我比较满意的方法，最近看代码发现了一种还不错的方法，这里记录一下。 代码：
日期 2023-06-12 10:48:40强化学习中经典算法 —— reinforce算法 —— （进一步理解， 理论推导出的计算模型和实际应用中的计算模型的区别）
在奖励折扣率为1的情况下，既没有折扣的情况下，reinforce算法理论上可以写为： 但是在有折扣的情况下，reinforce算法理论上可以写为： 以上均为理论模型。 ====================================
日期 2023-06-12 10:48:40【转载】 强化学习（一）模型基础
原文地址： https://www.cnblogs.com/pinard/p/9385570.html ---------------------------------------------------------------------------------------- 从今天开始整理强化学习领域的知识，主要参考的资料是Sutto
日期 2023-06-12 10:48:40
强化学习中的无模型 基于值函数的 Q-Learning 和 Sarsa 学习
强化学习基础： 注： 在强化学习中 奖励函数和状态转移函数都是未知的，之所以有已知模型的强化学习解法是指使用采样估计的方式估计出奖励函数和状态转移函数，然后将强化学习问题转换为可以使用动态规划求解的已知模型问题。 强化学习问题由于采用了MDP数学形式来构建的，由此贝尔曼方程式是我们最常用的，如下
日期 2023-06-12 10:48:40