延边网站开发depawo,怎样提高网站权重,侯马网站建设,建网站难不难作者#xff1a;Pablo Samuel Castro、Marc G. Bellemare 来源#xff1a;Google AI Blog,机器之心摘要#xff1a;在过去几年里#xff0c;强化学习研究取得了多方面的显著进展。在过去几年里#xff0c;强化学习研究取得了多方面的显著进展。这些进展使得智能体能够以超… 作者Pablo Samuel Castro、Marc G. Bellemare  来源Google AI Blog,机器之心摘要在过去几年里强化学习研究取得了多方面的显著进展。在过去几年里强化学习研究取得了多方面的显著进展。这些进展使得智能体能够以超越人类的水平玩游戏其中比较可圈可点的例子包括DeepMind 的 DQN 在 Atari 游戏上的表现、AlphaGo、AlphaGo Zero 以及 Open AI Five。具体来说在 DQN 中引入重播记忆replay memory使得智能体能够利用先前的经验大规模分布式训练使得智能体能够将学习过程分配给多个工作线程worker分布式方法使得智能体能够建模完整的分布而不仅仅是它们的期望值从而了解它们所在环境的完整情况。这种进步非常重要因为算法催生的这些进展还可用于其他领域如机器人学参见前沿 | 谷歌提出 Sim2Real让机器人像人类一样观察世界。通常来讲取得此类进展需要在设计上进行快速迭代通常没有明确的方向打破已有方法的结构。然而多数现有强化学习框架并不同时具备可让研究者高效迭代 RL 方法的灵活性和稳定性因此探索新的研究方向可能短期内无法获得明显的收益。再者复现现有框架的结果通常太过耗时可能会导致科学复现性问题。谷歌介绍了一款基于 TensorFlow 的新框架旨在为强化学习研究者及相关人员提供具备灵活性、稳定性及复现性的工具。该框架的灵感来自于大脑中奖励–激励行为的主要组成部分「多巴胺」Dopamine这反映了神经科学和强化学习研究之间的密切联系该框架旨在支持能够推动重大发现的推测性研究。谷歌还发布了一组相关的Colabhttps://github.com/google/dopamine/blob/master/dopamine/colab/README.md以说明该框架的使用方法。易用性清晰性clarity和简明性simplicity是该框架设计过程中的两个关键考量因素。谷歌提供的代码很紧凑大约 15 个 Python 文件且记录良好。原因在于谷歌研究人员专注于街机模式学习环境ALE一个成熟、已被充分了解的基准和四个基于价值的智能体DQN、C51、精心设计的 Rainbow 智能体简化版和 Implicit Quantile Network 智能体上个月才在 ICML 大会上得到展示。谷歌希望这一简明性特点可使研究者容易理解智能体的内在工作原理快速尝试新想法。复现性谷歌非常看重强化学习研究中的复现性。因此谷歌提供了其代码的完整测试这些测试见文档附表。此外谷歌的实验框架遵循 Machado 等人2018关于利用 ALE 标准化经验评估的推荐方法。基准测试对于新研究者来说对自己的想法进行快速的基准测试是非常重要的。谷歌提供四个智能体的完整训练数据包括 ALE 支持的 60 个游戏格式为 Python pickle 文件对于使用谷歌框架训练的智能体和 JSON 数据文件用于对比其他框架训练的智能体。谷歌还提供了一个网站研究者可以使用该网站对所有提供智能体在所有 60 个游戏中的训练运行进行快速可视化。下图即谷歌的 4 个智能体在 Seaquest 上的训练运行Seaquest 是 ALE 支持的 Atari 2600 游戏之一。谷歌的 4 个智能体在 Seaquest 上的训练运行。x 轴表示迭代每个迭代是一百万个游戏帧实时游戏 4.5 小时y 轴是每次游戏获取的平均分。阴影区域表示 5 个独立运行的置信区间。谷歌还提供利用这些智能体训练的深度网络、原始统计日志以及用于 Tensorboard 可视化的 TensorFlow 事件文件。相关地址https://github.com/google/dopamine/tree/master/docs#downloads谷歌希望其框架的灵活性和易用性能够帮助研究者尝试新想法。谷歌已经在研究中使用了该框架发现它可使很多想法快速迭代具备很强的灵活性。谷歌期待看到社区使用这一框架。未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。  如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”