当前位置:主页 > 宜昌 >

鑫鸿

深度强化学习中的好奇心

    本文是AI研究所编写的一个技术博客。最初的标题是《深层强化中的好奇心》。

    本文是AI研究所编写的一个技术博客。最初的标题是:

    深度强化学习的好奇心

    作者|迈克尔·克莱尔

    翻译|缩写2018

    校对|酱梨涂饰|菠萝女孩

    链接到原始文本:

    Http://towardsdata..com/holio.-in-.-.ment-.-.-.-network-.llation-747b322e2403

    深度强化学习中的好奇心

    早期密集学习的困难任务之一,Montezuma的复仇,在探索随机网络蒸馏方面取得了重大突破(来源:Parker兄弟博客)。

    Atari游戏是深层强化学习(RL)算法的一个流行的基准任务。Atari很好地平衡了简单性和复杂性:一些游戏(如Pong)是如此简单,以至于它们可以通过基本算法(如一般策略梯度)来解决,而其他游戏则足够复杂以至于可以击败甚至最先进的算法。

    在最简单和最复杂的游戏之间的一系列有用的任务已经成为许多深入加强学习研究论文的核心。

    来自OpenAI博客。

    前者“未解决”的阿塔里游戏,蒙提祖马的复仇,最近已经解决了一个算法(在某种程度上),可以在得分上超过人类表现。研究人员可以鼓励代理人在1级探索不同的房间,这是赢得游戏积分的好方法。

    通过好奇心探索

    人类在玩冒险游戏时有一种内在的探索欲望,比如蒙提祖玛的复仇。游戏设计者构建这样的游戏来鼓励这种行为,通常需要玩家在继续游戏之前进行探索。这就是为什么冒险游戏很有趣。(问任何喜欢玩天空游戏的人。)

    像Montezuma的《复仇》或《天空》这样的冒险游戏充分利用了玩家探索的自然欲望,使得探索成为游戏任务的关键部分。

    深度强化学习算法执行“探索”的典型方法是通过随机策略:从神经网络提供的动作似然分布中随机采样动作。因此,特别是在早期阶段(当策略没有时间收敛时),它是随机行动的明显选择。

    这种方法在某些情况下是有效的。例如,Pong的解决方案是随机旋转桨并观察结果。幸运的是,球偏转可以启动优化。

    在像蒙特祖马的复仇游戏中,这种方法是不可行的。想象一下,从游戏的开始,化身随机地左右移动,随机地跳跃。结果,化身掉进熔岩中或直接进入敌人而没有获得点数。没有积分或奖励,算法无法得到优化的信号。

    那你会随便甩一甩吗?祝你好运。

    好奇

    重点放在寻找更好的探索方法上。基于好奇心的探索可以看作是激发人类玩家好奇心的一种尝试。

    但是,我们如何创建一个好奇的代理呢?

    有很多方法可以实现这个想法。其中之一,甚至使用下一个状态预测,由于其简单性和可伸缩性而很有趣。

    其基本思想是同时培养独立的预测模型和策略模型。预测模型输入所观测到的当前状态和所选择的动作,并对下一次观测进行预测。

    为了探索足够的轨迹,我们假设损失很小(因为我们通过监督学习不断开发预测模型);对于探索不足的轨迹,我们假设损失很大。

    那么,我们能做的就是创建一个新的奖励函数(称为“内在奖励”),它提供与预测模型的损失成比例的奖励。因此,当探索新的轨迹时,代理接收到强烈的奖励信号。

    (a)一级学习探索(b)二级快速探索

    使用马里奥模拟器任务(来源)中的下一个预测,学习探索从第一级的好奇心转移到第二级的快速探索。

    这项技术在超级马里奥模拟器中产生了一些令人鼓舞的结果。

    拖延症代理人:电视问题

    这项技术并不完美。一个已知的问题是代理被环境中的随机或噪声元素所吸引。这种时钟情况有时被称为“白噪声”问题或“电视问题”;也称为“拖延”。

    为了证明这种效果,设想一个代理人通过观察他所看到的像素来学习在迷宫中导航。

    下一状态预测引起代理人学习成功导航迷宫的好奇心。

    代理人很好地完成了任务;他开始寻找迷宫中未被探索的部分,因为他有能力在探险丰富的地区做出好的预测(或者换句话说,他不能在未开发地区做出好的预测)。

    现在在迷宫的墙上放一个“电视”,快速连续地显示随机选择的图像。由于图像的随机来源,代理不能准确预测接下来会出现什么图像。该预测模型将产生高损耗,从而为代理商提供高“内在”回报。最终的结果是,特工们倾向于停止看电视,而不是继续探索迷宫。

    在环境(源)中,当代理人面对电视或随机噪声源时,下一个状态预测引起代理人的好奇心,最终导致“拖延”。

    为了避免延误,采用随机网络蒸馏。

    OpenAI的一些优秀人员最近发表了一篇论文,提出了噪声电视问题的解决方案,探讨了随机网络蒸馏(RND)。

    这里的新思想是将类似的技术应用到下一个状态预测方法,但是消除对先前状态的依赖。

    下一状态预测相对于RND(源)的概述。

    RND并不预测下一个状态,而是观察下一个状态并试图预测下一个状态。这是一个非常微不足道的预测,不是吗?

    RND随机网络的目的是采用这种小的预测任务,并将其转化为硬预测任务。

    使用随机网络

    这是一个聪明但违反直觉的解决方案。

    其思想是我们使用随机初始化神经网络将观测值映射到潜在的观测向量。函数本身的输出并不重要;重要的是,我们有一些未知的确定性函数(随机初始化的神经网络),以某种方式转换观测值。

    因此,我们的预测模型的任务不是预测下一个状态,而是预测给定观测状态的未知随机模型的输出。我们训练该模型使用随机网络输出标签。

    当代理处于熟悉的状态时,预测模型应该能够很好地预测随机网络的期望输出。当智能体对状态不熟悉时,预测模型会对随机网络的输出做出较差的预测。

    通过这种方式,我们可以定义一个内在的奖励函数,它再次与预测模型的损失成比例。

    内部报酬计算的概念概述。只使用下一个观察状态。

    这可以解释为“新奇性检测”方案,其中当进行新的观测或不熟悉的观测时,预测模型具有较高的计算损失。

    作者使用MNIST作为这个概念的证明。在本实验中,他们通过随机初始化神经网络提供MNIST样字符。然后,在给定的输入条件下,它们训练并行网络来预测随机网络的输入。如预期,当目标类的训练样本数量增加时,它们将看到目标类被并行网络丢失。

    数据2:MNIST上的新奇性检测:预测器网络模拟随机初始化的目标网络。训练数据包括不同比例的图像和目标类别与“0”类别。每个曲线都表示MSE测试显示的目标类的训练用例的数量(对数)。

    论文对MNIST概念进行了验证。

    这样,当代理看到随机噪声源时,它不会被卡住。它不需要试图预测屏幕上下一个不可预测的帧,只需要知道这些帧是如何通过随机网络转换的。

    探寻蒙太祖玛的复仇

    由于解决方法不佳,以往的状态预测的好奇机制并不能解决蒙台梭玛的复仇问题,但RND似乎已经克服了这些问题。

    好奇心驱使的代理人探索房间,学习收集钥匙,这样他们就可以打开新房间。

    尽管取得了这样的成功,但是代理仅“偶尔”通过了一级。这是因为通过最后一道门来完成检查点,需要严格管理密钥的使用。需要内部状态模型(如LSTM)来克服这一障碍。

    因此,虽然RND已经允许代理人在得分上超过一般人的表现,但是在掌握游戏之前还有很长的路要走。

    这是关于深度强化学习算法的实验的一系列文章的一部分。查看本系列以前的一些帖子:

    理解演进的战略梯度。

    感谢卢多维奇·本尼斯坦特。

    要继续查看本文的链接和参考资料吗?

    长时间点击链接打开或点击底部[好奇心在深度强化学习]:

    Http://ai.yanxishe.com/page/Text./1363

    AI协会每天更新精彩内容,观看更多精彩内容:雷锋网、雷锋网和雷锋网。

    五大CNN架构

    深度强化学习中的好奇心

    使用Pytorch进行深度学习(第一部分)手柄:使用PyTorch实现图像分类器(第二部分)

    等待您翻译:

    如何为初学者聚类混沌数据以使用Keras进行迁移学习增强学习:对于情绪行为系统,如果你想学习数据科学,这七个资源不能错过

当前文章:http://www.smuligt.com/v5k6/631278-799182-10555.html

发布时间:04:13:51

广州设计公司  广州工业设计  万彩吧  广州设计公司  广州设计  二四六彩  广州外观设计  广州产品设计  二四六彩  广州设计公司  工业设计  

{相关文章}

库存2018|从“失眠”到“失眠”,现在疯狂的街区链“三点”社区在哪里?

    不管街区连锁产业的最终走向如何,无论是为了传道还是为了收获,无论是在昙花一现,还是要继续,“三点钟”在产业发展的早期,已经吸引了无数社会目光,早已成为街区发展不可磨灭的重要标志。链场。

    注:原稿未经许可,拒绝复制!三点,在科比起床前一个小时。但在街头巷尾的世界里,曾经流行的说法是直到凌晨三点才睡觉。毫无疑问,“三点钟”这个说法因式分解视频_天天630新闻网在街区连锁领域有着特殊的方向和意义,最近受到人们的关注。2018年农历新年期间,玉红倡导的“三点”社区应运而生,吸引了无数人的目光。翡翠红也很有名,步入街区连锁“大人物”行列。在这些社区中,有许多大型连锁企业、大型V投资者和明星演员。三点钟,社区把街区链的新东西推到舞台前面,这曾经让人们感到饥饿和焦虑。但在过去的一年里,三点钟社区经历了迅速扩张到迅速衰落的过程。在某种程度上,从浮躁到无人关心,这个浮躁的行业,从鼓吹泡沫到回到真正的道路。三点不眠的银币链就像一列咆哮的火车,给那些在财富之路上深圳建设网_每日资讯榜网奔跑的人们带来了新的希望。2018年农历新年期间,从元旦第二天开始,一群名为“三点连锁不眠”的微型信使几乎一夜之间引爆,引起了外界的强烈关注。谈到三点钟的起源,业内人士普遍传闻,三点钟微信集团的创始人宇红非常兴奋地和朋友们讨论这个街区链,直到深夜她才睡着,于是她拉了微信集团继续讨论。韦查特集团成立的时间恰网易教程_逗阵网好是凌晨三点,所以她把它命名为“三点不眠街区”。春节前半个月,余红刚见到陈伟星。在十几个人的晚宴上,余红惊讶地发现这里的大多数人都在谈论街区链,而陈伟星则忙于投资街区链项目。这顿饭给玉红带来了很多刺激。作为第一批360游戏的主要负责人,他在互联网界并不缺乏资源,并开始到处寻找人们交流街区链的知识。同时,郑格基金创始人、著名天使投资人徐小平在微信集团中高呼“产业链的技术革命已经到来,这是一场盛衰不堪的技术革命”。由于这种评论的传播,比特币在当时也处于较高的历史水平。无论是出于对财富的渴望,还是出于对大人物的追求,街区连锁开始被视为继“互联网”之后的又一个出口。街区连锁三点不眠”伟通集团,汇聚了红杉资本、沈南鹏、长领资本、蔡文生等V大投资者。前者带领携程旅行网和Rujia Chain酒店成功上市纳斯达克,后者在同一城市投资了暴风影音以及58家互联网公窿的组词_天然护肤网司。除了聚集传统的天使投资者,在块状链产业中也有一些大玩家,如帅珠、伊犁华、量子链的创始人、杜军、千方基金和节点资本的创始人,以及建云南云芝董事长孔建平、沈宇、神宇矿池的创始人和赵都。ng,著名的比特币投资者。他们甚至还吸引了高小松、韩庚和童丽雅。表演艺术中的一群明星。在各种缓冲之下,价值1000亿美元的微型信使群体的所谓市场价值,更像是媒体即时引发的长期酝酿情绪。除了茶叶和稻谷,关于产业链的讨论也如火如荼,尤其是众多知名的投资者和学者的参与,这似乎是威信集团最强大的。方块链,听起来很深奥,在三点钟渲染时更有吸引力。来自各行各业的大人物和明星的参与,也使三点钟的社区显得神秘而好易网_刘敏少将网令人向往。有一段时间,各种以“三点”命名的社区如雨后春笋般涌现。人们匆忙赶到三点,而那些缺少的人害怕错过它。甚至在百度搜索中,“三点”排名第一。从那时起,三点钟几乎成了街区链领域中的独家术语。偏离的社区伴随着争议。三点钟,在吸引人们注意街区链条的同时,它充满了焦虑和批评。三点钟的经理们已经裁定,不允许讨论ICO和制造硬币的问题,这主要是由于严格的国内监管政策。鲍尔耶(原名郭洪才),由于拥有金粉世家第二部_小学教学反思网丰富的炸钱币而成为货币界知名人士,在“无论如何我来这里是为了赚钱,所以空谈技术毫无意义……块链的最大应用是投机硬币,其他评论也被踢了出去。他还感叹道:“他们从来没说过要赚钱。与大多数人三点钟的趋势相比,一些人拒绝加入这个团体,包括金沙江风险投资的合伙人朱小虎。朱小胡说:“没有人关心ICO之后项目的实际落地。ABC轮风险投资随着公司的发展逐步扩大投资额有着深刻的原因。没人会为了一大笔钱而努力工作。这种考验人性的模式从来没有成功过!他在朋友圈里直言不讳地说:“不要把我拉进三点组,有些网点宁愿错过,有些钱宁愿不赚,大家都来照顾晚上。”显然,在鲍尔叶和朱小虎看来,所谓的三点湿润组实际上很难绕过投机和发行硬币。而所谓的“共识共同体”只是众所周知的借口和理由。一句话就是预言。朱小虎最初的拒绝和关切被三点的社会潮流所证实。经过一系列负面的行动,如召集各种街区链,建立各种花式社区,以及最有影响力的XMX硬币,三点钟社区的形象和热情已经急剧下降,并越来越远。4月24日,在澳门威尼斯大酒店,翡翠红平台主办了“2018年第一届世界街区连锁会议3点峰会”,翡翠红3点开始知识产权清算。从四月到六月,从澳门到新加坡,翡翠红利用三点钟的IP流量,搭建了三点钟的街区链会议高峰平台,开辟了许多项目路演,并举办了涉及众多中国姑姑的财富嘉年华。“三点钟XMX全球社区联盟”的建立将三点钟推向了高潮,三点钟Wechat社区的升级版本出现并迅速完成了裂变。玉红、昭东、许岗、关棚等99个“大V”带领着99个伟新集团500人,玉红的“XMX”像旋风一样席卷了硬币圈。但仅仅几天后,在不断的怀疑中,XMX社区兴盛衰落,而站在舞台前面的玉红却很少出现。7月底再次成为头条新闻,XMX被转为零。7月31日,XMX下降到8%,因为平台只显示两个小数位,以厘米为单位的XMX在平台上显示0.00。

Copyright @ 2016-2017 教育叙事研究网 版权所有

https://4l.cc/articlelist-371.htmlhttps://4l.cc/articlelist-365.htmlhttps://4l.cc/articlelist-399.htmlhttps://4l.cc/article-45176.htmlhttps://4l.cc/article-45177.htmlhttps://4l.cc/articlelist-332.htmlhttps://f49.in/article-45177.htmlhttps://f49.in/articlelist-331-2.html?action=class&getTotal=34https://f49.in/articlelist-306-0.html?action=class&getTotal=54https://f49.in/article-45506.htmlhttps://f49.in/wapindex-1000-330.html?sid=-3https://f49.in/article-426.htmlhttps://f49.in/article-430.htmlhttps://f49.in/wapindex-1000-0.html?sid=-2https://f49.in/articlelist-379.htmlhttps://f49.in/articlelist-376.htmlhttps://f49.in/articlelist-435.htmlhttps://f49.in/articlelist-336.htmlhttps://55t.cc/article-88.htmlhttps://55t.cc/article-89.htmlhttps://55t.cc/article-7422.htmlhttps://55t.cc/wapindex-1000-306.html?sid=-2https://55t.cc/wapindex-1000-0.html?sid=-3https://55t.cc/articlelist-352.htmlhttps://55t.cc/articlelist-417.htmlhttps://55t.cc/articlelist-438.htmlhttps://55t.cc/articlelist-330.htmlhttps://55t.cc/articlelist-306.htmlhttps://55t.cc/baoma.htmlhttps://www.c8.cn/zst/pl5/elyfx.htmlhttps://www.c8.cn/zst/qxc/joyl.htmlhttps://www.c8.cn/zst/qxc/dxyl.htmlhttps://www.c8.cn/zst/qxc/dzbbzbzs.htmlhttps://www.c8.cn/zst/ssq/lhzs.htmlhttps://www.c8.cn/zst/3d/dxzs.htmlhttps://www.c8.cn/zst/64.htmlhttps://www.c8.cn/zst/cqssc/zonghezs.htmlhttps://www.c8.cn/jihua/sh11x5.htmlhttps://www.c8.cn/jihua/tjkl10.htmlhttps://www.c8.cn/gaoshou/lnkl12.htmlhttps://www.c8.cn/gaoshou/jlk3.htmlhttps://www.c8.cn/gaoshou/hlj11x5.htmlhttps://www.c8.cn/gaoshou/tjkl10.htmlhttps://www.c8.cn/gaoshou.htmlhttp://www.easeid.cn/html/product/2017-5-8/544.htmlhttp://www.easeid.cn/html/product/2017-4-25/513.htmlhttp://www.easeid.cn/html/news/2014-5-28/456.htmlhttp://www.easeid.cn/html/news/2014-8-8/458.htmlhttp://www.easeid.cn/cases5.phphttp://www.easeid.cn/html/news/2013-6-3/259.html