公司网站模块制作自建网站做外贸

web/2025/10/4 20:37:03/文章来源:
公司网站模块制作,自建网站做外贸,网站做排名2015新年,北京市住房建设投资建设网站Q-learning、DQN算法是基于价值的算法#xff0c;通过学习值函数、根据值函数导出策略#xff1b;而基于策略的算法#xff0c;是直接显示地学习目标策略#xff0c;策略梯度算法就是基于策略的算法。 策略梯度介绍 将策略描述为带有参数 θ \theta θ 的连续函数#…Q-learning、DQN算法是基于价值的算法通过学习值函数、根据值函数导出策略而基于策略的算法是直接显示地学习目标策略策略梯度算法就是基于策略的算法。 策略梯度介绍 将策略描述为带有参数 θ \theta θ 的连续函数可以将策略学习的目标函数定义为 J ( θ ) E s 0 [ V π θ ( s 0 ) ] J(\theta)\mathbb{E}_{s_0}[V^{\pi_\theta}(s_0)] J(θ)Es0​​[Vπθ​(s0​)] 我们将目标函数对参数 θ \theta θ 求导得到导数就可以用梯度上升方法来最大化目标函数从而得到最优策略。 我们使用 ν π \nu^{\pi} νπ 表示策略 π \pi π 下的状态访问分布得到如下式子 ∇ θ J ( θ ) ∝ ∑ s ∈ S ν π θ ( s ) ∑ a ∈ A Q π θ ( s , a ) ∇ θ π θ ( a ∣ s ) ∑ s ∈ S ν π θ ( s ) ∑ a ∈ A π θ ( a ∣ s ) Q π θ ( s , a ) ∇ θ π θ ( a ∣ s ) π θ ( a ∣ s ) E π θ [ Q π θ ( s , a ) ∇ θ log ⁡ π θ ( a ∣ s ) ] \begin{aligned} \nabla_{\theta}J(\theta) \propto\sum_{s\in S}\nu^{\pi_\theta}(s)\sum_{a\in A}Q^{\pi_\theta}(s,a)\nabla_\theta\pi_\theta(a|s) \\ \sum_{s\in S}\nu^{\pi_\theta}(s)\sum_{a\in A}\pi_\theta(a|s)Q^{\pi_\theta}(s,a)\frac{\nabla_\theta\pi_\theta(a|s)}{\pi_\theta(a|s)} \\ \mathbb{E}_{\pi_\theta}[Q^{\pi_\theta}(s,a)\nabla_\theta\log\pi_\theta(a|s)] \end{aligned} ∇θ​J(θ)​∝s∈S∑​νπθ​(s)a∈A∑​Qπθ​(s,a)∇θ​πθ​(a∣s)s∈S∑​νπθ​(s)a∈A∑​πθ​(a∣s)Qπθ​(s,a)πθ​(a∣s)∇θ​πθ​(a∣s)​Eπθ​​[Qπθ​(s,a)∇θ​logπθ​(a∣s)]​ 上式中期望的下标是 π θ \pi_{\theta} πθ​ 因此对应的是使用当前策略 π θ \pi_{\theta} πθ​ 进行采样并计算梯度通过梯度的修改让策略更多地采样到较高Q值的动作。 如上图所示如果动作a1可以带来的价值更高那么a1的概率会增大对应的是a1的柱子变高。 在REINFORCE算法中采用蒙特卡洛方法来估计 Q π θ ( s , a ) Q^{\pi_{\theta}}(s,a) Qπθ​(s,a) 对于一个有限步数的环境该算法如下式所示 ∇ θ J ( θ ) E π θ [ ∑ t 0 T ( ∑ t ′ t T γ t ′ − t r t ′ ) ∇ θ log ⁡ π θ ( a t ∣ s t ) ] \nabla_\theta J(\theta)\mathbb{E}_{\pi_\theta}\left[\sum_{t0}^T\left(\sum_{tt}^T\gamma^{t-t}r_{t}\right)\nabla_\theta\log\pi_\theta(a_t|s_t)\right] ∇θ​J(θ)Eπθ​​[t0∑T​(t′t∑T​γt′−trt′​)∇θ​logπθ​(at​∣st​)] REINFORCE算法介绍 具体流程如下所示 初始化策略参数 θ \theta θfor 序列 e 1 → E e1\to E e1→E do: 用当前策略 π θ \pi_{\theta} πθ​ 采样轨迹 { s 1 , a 1 , r 1 , s 2 , a 2 , r 2 , … s T , a T , r T } \{s_{1},a_{1},r_{1},s_{2},a_{2},r_{2},\ldots s_{T},a_{T},r_{T}\} {s1​,a1​,r1​,s2​,a2​,r2​,…sT​,aT​,rT​}计算当前轨迹每个时刻的回报 ∑ t ′ t T γ t ′ − t r t ′ \sum_{t^{\prime}t}^T\gamma^{t^{\prime}-t}r_{t^{\prime}} ∑t′tT​γt′−trt′​ 记为 ψ t \psi_{t} ψt​对 θ \theta θ 进行更新 θ θ α ∑ t T ψ t ∇ θ log ⁡ π θ ( a t ∣ s t ) \theta\theta\alpha\sum_t^T\psi_t\nabla_\theta\log\pi_\theta(a_t|s_t) θθα∑tT​ψt​∇θ​logπθ​(at​∣st​) end for 代码实践 import gymnasium as gym import torch import torch.nn.functional as F import numpy as np import matplotlib.pyplot as plt from tqdm import tqdm import rl_utils# 定义一个策略网络输入是某个状态输出是该状态下的动作概率分布 # 通过softmax函数输出概率分布 class PolicyNet(torch.nn.Module):def __init__(self, state_dim, hidden_dim, action_dim):super(PolicyNet, self).__init__()self.fc1 torch.nn.Linear(state_dim, hidden_dim)self.fc2 torch.nn.Linear(hidden_dim, action_dim)def forward(self, x):x F.relu(self.fc1(x))return F.softmax(self.fc2(x), dim1)定义REINFORCE算法以策略回报的1负数来表示损失函数即 − ∑ t ψ t ∇ θ log ⁡ π θ ( a t ∣ s t ) -\sum_t\psi_t\nabla_\theta\log\pi_\theta(a_t|s_t) −∑t​ψt​∇θ​logπθ​(at​∣st​) class REINFORCE:def __init__(self, state_dim, hidden_dim, action_dim,learning_rate,gamma,device):self.state_dim state_dimself.action_dim action_dim# 初始化策略网络self.policy_net PolicyNet(state_dim, hidden_dim, action_dim).to(device)self.optimizer torch.optim.Adam(paramsself.policy_net.parameters(), lrlearning_rate)self.gamma gammaself.device devicedef take_aciton(self, state):# 根据动作概率分布随机采样state torch.tensor([state],dtypetorch.float).to(self.device)action_prob self.policy_net(state)# 根据每个动作的概率进行采样action_dist torch.distributions.Categorical(action_prob)action action_dist.sample()# 返回是哪个动作类型为标量return action.item()def update(self, transition_dict):reward_list transition_dict[rewards]state_list transition_dict[states]action_list transition_dict[actions]G0self.optimizer.zero_grad()for i in reversed(range(len(reward_list))): #从最后一步算起rewardreward_list[i]Grewardself.gamma*Gstatetorch.tensor([state_list[i]],dtypetorch.float).to(self.device)actiontorch.tensor([action_list[i]]).view(-1,1).to(self.device)log_prob torch.log(self.policy_net(state).gather(1, action))loss-log_prob*G #每一步的损失哈桑农户loss.backward() # 反向传播计算梯度self.optimizer.step() # 梯度下降由于采用蒙特卡洛方法REINFORCE算法的梯度估计的方差很大会产生不稳定性造成回报曲线的抖动。在我们对结果进行平滑处理后可以得到较为光滑的曲线。 learning_rate 1e-3 num_episodes 1000 hidden_dim 128 gamma 0.98 device torch.device(cuda) if torch.cuda.is_available() else torch.device(cpu)env_name CartPole-v1 env gym.make(env_name) torch.manual_seed(0) state_dim env.observation_space.shape[0] action_dim env.action_space.n agent REINFORCE(state_dim, hidden_dim, action_dim, learning_rate, gamma,device) return_list [] for i in range(10):with tqdm(totalint(num_episodes / 10), descIteration %d % i) as pbar:for i_episode in range(int(num_episodes / 10)):episode_return 0transition_dict {states: [],actions: [],next_states: [],rewards: [],dones: []}state env.reset()[0]done Falsewhile not done:action agent.take_action(state)next_state, reward, done, info, _ env.step(action)transition_dict[states].append(state)transition_dict[actions].append(action)transition_dict[next_states].append(next_state)transition_dict[rewards].append(reward)transition_dict[dones].append(done)state next_stateepisode_return rewardreturn_list.append(episode_return)agent.update(transition_dict)if (i_episode 1) % 10 0:pbar.set_postfix({episode:%d % (num_episodes / 10 * i i_episode 1),return:%.3f % np.mean(return_list[-10:])})pbar.update(1)episodes_list list(range(len(return_list))) plt.plot(episodes_list, return_list) plt.xlabel(Episodes) plt.ylabel(Returns) plt.title(REINFORCE on {}.format(env_name)) plt.show()mv_return rl_utils.moving_average(return_list, 9) plt.plot(episodes_list, mv_return) plt.xlabel(Episodes) plt.ylabel(Returns) plt.title(REINFORCE on {}.format(env_name)) plt.show()

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/86979.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

响应式网站切图网上推广是什么意思

需求 基于ListView,创建一个列表视图,用于展示"BookInfo"表的信息要求提供分页提供对书名,作者,描述的查询功能 示例展示: 1. 数据模型 models.py class BookInfo(models.Model):titlemodels.CharField(verbose_name"书名",max_length100)authormode…

70 网站制作wordpress 5.1.1

发布时间:2017-09-25我的世界惊现全新无限刷物品bug 服主大大都要注意了.那今天给大家分享一个玩家无意间发现的新的无限刷物品bug,而且还是在服务器中哦!那感兴趣的玩家不妨进来看看哦! 在一个rpg服务器玩 开小号召唤boss的时候发现的. ...标签:我的世界…

朝阳双桥网站建设外贸网络推广专员

欢迎您成为我的读者,希望这篇文章能给你一些帮助。前言日常编码过程中,最重要的技能不是说你学会使用很多最新的编程技术或者做出一个高大上的系统。而是你在写代码过程中,对异常的处理,是否系统可以稳定,健壮。对于异…

网站搭建上海建设工程咨询网 首页

在Android应用里,最耗费内存的就是图片资源。而且在Android系统中,读取位图Bitmap时,分给虚拟机中的图片的堆栈大小只有8M,如果超出了,就会出现OutOfMemory异常。所以,对于图片的内存优化,是And…

wordpress只显示首页网站优化设计

复杂数据结构处理:Join 小技巧:提升数据的处理速度 本文是在原本sql闯关的基础上总结得来,加入了自己的理解以及疑问解答(by GPT4) 原活动链接 用到的数据:链接 提取码:l03e 目录 1. 课前小问…

浙江和海建设集团网站首页社区电商平台排行榜

非监督学习 1 什么是非监(unsupervised learning)督学习 无监督学习,就是不受监督的学习,一种自由的学习方式。该学习方式不需要先验知识进行指导,而是不断地自我认知,自我巩固,最后进行自我归纳,在机器学…

校园网站规划与建设心得甘肃兰州做网站

之前看到一个项目不能继承类SimpleTagSuppert类,而将jsp-api.jar(不知道servlet-api.jar能不能放)放入到了 jdk/jre/lib/ext包下面结果不仅正在写的jsp不能运行,以前的web应用也不能运行,会出现 java.lang.ClassNotFo…

株洲网站建设服务公司前端页面设计流程

简单工厂模式 简单工厂模式的概念 简单工厂模式属于类的创建型模式,又叫做静态工厂方法模式。通过专门定义一个类来负 责创建其他类的实例,被创建的实例通常都具有共同的父类。 具体分类 工厂(Creator)角色 简单工厂模式的核心&#xff0…

模板和网站可以分开吗利用店铺网站做灰色优化

目录 一、什么是字体反扒 二、Unicode编码 三、利用font包获取映射关系 一、什么是字体反扒 字体反爬是一种常见的反爬虫技术,它通过将网页中的文本内容转换为特殊的字体格式来防止爬虫程序直接获取和解析文本信息。字体反爬的原理是将常规的字符映射到特殊的字…

国外网站视频播放器如何做好网站seo优化

天行健,君子以自强不息;地势坤,君子以厚德载物。 每个人都有惰性,但不断学习是好好生活的根本,共勉! 文章均为学习整理笔记,分享记录为主,如有错误请指正,共同学习进步。…

做网站公司需要什么资质自己接私单网站开发

TS223是触摸键检测IC,提供1个触摸键。触摸检测IC是为了用可变面积的键取代传统的按钮键而设计的。低功耗和宽工作电压是触摸键的DC和AC特点。采用SSOP16、SOT-23-6的封 装形式封装。 主要特点: ● 工作电压2.0V~5.5V ● 工作电流VDD3V, 无…

大安网站建设如何自己做网站一年赚一亿

使用函数实现数据大小端转换 题目描述 在数字芯片设计中,经常把实现特定功能的模块编写成函数,在需要的时候再在主模块中调用,以提高代码的复用性和提高设计的层次,分别后续的修改。 请用函数实现一个4bit数据大小端转换的功能。…

西安建设网站电话号码软文营销的五大注意事项

NovelD:一种简单而有效的探索准则 1、Motivation 针对稀疏奖励环境下的智能体探索问题,许多工作中采用各种内在奖励(Intrinsic Reward)设计来指导困难探索环境中的探索 ,例如: ICM:基于前向动力学模型的好奇心驱动探索RND&…

东莞塘厦网站建设平台网站建设预算表

目录 模式简介 介绍 优点 缺点 代码实现 场景说明 实现代码 运行结果 模式简介 观察者模式(Observer Pattern),也叫我们熟知的发布-订阅模式。 它是一种行为型模式。 介绍 观察者模式主要关注的是对象的一对多的关系, …

阿里云虚拟主机建网站宁波模板建站多少钱

题型:链表 链接:2. 两数相加 - 力扣(LeetCode) 来源:Leet 题目描述 给你两个 非空 的链表,表示两个非负的整数。它们每位数字都是按照 逆序 的方式存储的,并且每个节点只能存储 一位 数字。 …

上海太江建设网站柳州建网站

文章目录 实验概览目标实验环境任务 1:查看网络拓扑并创建基准任务 2:创建中转网关任务 3:创建中转网关挂载任务 4:创建中转网关路由表任务 4.1:创建路由表关联任务 4.2:创建路由传播 任务 5:更…

政务服务网站建设文档好看开源企业网站模板

软件架构风格:您的系统设计指南 软件架构不仅仅是组织代码的方式,它是对软件整体结构和行为的全面规划。一个好的架构能够让软件更加灵活、可维护,并且能够应对未来的变化。下面是一些流行的软件架构风格,以及它们的C#代码例子&a…

有专门做ppt的网站金坛网站建设价格

概述 NTP 是 Network Time Protocol 的简称,也就是网络时间协议,它可以通过网络来同步时间的服务器。Windows 自带的 NTP 服务器都在美国,有时间经常无法访问。 中国境内 中国 NTP 快速授时服务 cn.ntp.org.cn阿里云公共 NTP 服务器 ntp…

python策略网站怎么做学院网站建设的作用

题目1:104. 二叉树的最大深度 - 力扣(LeetCode) 题目1描述: 题目1分析及解决: (1)base case:当前节点为null时,以当前节点为根节点的树最大深度是0。 (2&…

网站设计实施北京网站优化推广效果

“我在一家医院诊断为青光眼,然后就做了青光眼手术。结果没有成功,后面产生了脉络膜脱离,从4月到10月底一直没有恢复,我去找医生结果那家医院的医生让我等……等着恢复……”张先生是一位青光眼术后患者,一场手术给他带…