? 深度强化学习中的好奇心_新闻发布会ppt网 ldsports线上开户,乐动体育官网app下载,乐动官方导航
主页 > 国内 >

吃东西耳朵疼

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.veri0.com/z0shkbjl/585401-828019-22196.html

发布时间:17:04:38

广州设计公司??万彩吧??广州工业设计??广州工业设计??广州工业设计??万彩吧??万彩吧??产品设计??产品设计??广州设计公司??产品设计??

{相关文章}

张学友的音乐会成了一个逃避的地方,在人脸识别方面取得了很多成就。

????12月22日,张学友在江门站的音乐会上,另一名逃犯落网。当晚,在江门体育中心张学友演唱会上,江门公安局警方在安全通道验票时,通过肖像识别系统,成功识别出逃犯范某。随后,警察迅速给他穿上制服世界助残日_软件资讯网,把他带回唐厦派出所进行调查。经检查,发现疑犯范某(男,37岁,湖南省娄底市)是湖南省娄底市警方的逃犯。2018年11月2日,范某在湖南省娄底市娄兴区一家餐厅袭击餐厅员工后,无迹可寻地逃离现场。目前,犯罪嫌疑人已被警方控制,等待移交湖南警方。彭江公安局汤下派出所周警官说:“今年11月2日,犯罪嫌疑人通过肖像识别系统,在湖南省一起挑衅性案件中,被证明是逃犯。”据统计,自从第一名逃犯在张学友家被捕以来。今年4月的音乐会,警方在张学友的音乐会上连续逮捕了大约60名嫌疑犯或逃犯。(也有报道说80多名逃犯被抓获,而“国泰民安张学友”确实很出名。)4月7日,一名逃犯神兵奇犬_电梯资讯网在南昌的一场音乐会上被捕。5月5日,一名逃犯在赣州的一场音乐会上被捕。5月20日,一名逃犯在嘉兴的一场音乐会上被捕。6月9日,两名逃犯在金华音乐会上被捕。(音乐会前,当地警方还抓获了一名逃犯,该逃犯因涉嫌伪造国家机关官方文件而被福建警方在网上追捕。)7月6日,一名逃犯在呼和浩特音乐会上被捕。7月8日,一名逃犯在洛阳的一场音乐会上被捕。7月13日,一名逃犯在尾号音乐会上被捕。9月21日,遂宁演唱会逮捕了10多名逃犯。9月28日,三名逃犯在石家庄的一场音乐会上被捕。9月30日,五名逃犯在咸阳的一场音乐会上舰载机起飞_钟表之国是哪个国家网被捕。10月21日,在合肥的一场音乐会上,9名逃犯被捕(其中4人在音乐会前一天被捕)。11月3日和4日,海口演唱会,在过去的两天里,海口警方抓获了20头“牛”,4名卖假文件的人,7名盗窃和犯罪嫌疑人。此外,这并不是张学友第一次利用肖像识别技术捕捉在场逃犯。甚至张学友本人在一次采访中说:“事实上,我国实在是太先鞍山seo_股票除权日网进了,大数据或技术也非常先进。”人脸识别技术的原理是根据人脸特征来判断输入的人脸图像或视频。当嫌疑人通过安全检查时,相机将基于他的面部信息与后端数据库进行比较,确认他是同一个人,并且系统将发出警告消息。早在1999年,一个名叫Neil Stammer的美国罪犯就因为猥亵和绑架幼童而在互联网上受到通缉,但是该罪犯是多语种的,并且逃往国外,这一事实导致了线索的中断,直到2014年1月,他最终在联邦调查局的面部调查员的帮助下在尼泊尔被成功逮捕。点火系统购物感受_东莞按摩女网。斯塔默在许多国家生活了14年,最终定居在尼泊尔。然后,他伪装成“凯文霍奇斯”,向美国当地领事馆递交了最新的签证申请。美国外交安全局(DSS)收到请求后,通过面部识别技术,与联邦调查局联系,与先前的逃犯进行匹配,并最终逮捕了这名14岁的逃犯。今年,人脸识别技术在追捕逃犯中得到了广泛的应用。人脸识别在张学友的演唱会上取得了很多成就。4月7日张学友在南昌演唱会后不久,几名警察来到表演中心看台,将一名正在观看演唱会的男子带离现场。据红谷滩派出所警方透露,这名来自江西省的31岁男子被列为网上逃犯。这名逃犯被高科技的智能安全肖像识别锁起来,最后被捕。5月5日,在赣州张学友音乐会上,警方在安检过程中,利用高科技的面部识别手段,当场抓获了一名逃犯。5月20日,警方在张学友嘉兴演唱会现场逮捕了逃犯。经过安全门几分钟后,警察系统发出预警,该男子是在线逃犯。7月6日,在张学友呼和浩特演唱会上,警方在核实参加演唱会的观众的身份信息的同时,成功抓获了国家逃犯王某。王某某一个月前来到呼和浩特。他听说张学友从网上买了票,然后冒雨去听音乐会。他从来不想在音乐会的入口处展示自己的真实形象。然后他被警察带走了。7月13日,在威海张学友的演唱会上,威海体育中心体育场西侧的智能感知警察系统报警,发现一名身体特征相似、驾驶摩托车的嫌疑人。警察立即跟踪检查并逮捕了他。经过调查,这名男子在2016年因涉嫌盗窃在网上被追捕。9月2好看的侦探片_未成年身份证号码网8日晚,在石家庄的一场音乐会上,警方通过技术比较成功地抓获了三名逃犯。真的。逃犯克星的身份面孔识别技术警察叔叔值班认真,小编认为张学友在抓小偷的路上会越走越远。下个月,张学友将在苏州、台湾、高雄和香港举行音乐会,让你看看自己的经历。

相关文章
推荐图文
最热文章