掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度強化學習實戰 用OPENAI GYM構建智能體 版權信息
- ISBN：9787115561596
- 條形碼：9787115561596 ; 978-7-115-56159-6
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度強化學習實戰 用OPENAI GYM構建智能體 本書特色
一本介紹在OpenAI Gym環節中構建智能體的實戰指南！ 只需要專注算法的優化，無需浪費時間去搭建環境！ ·從零起步，內容通俗易懂，輕松學習OpenAI Gym的用法·運用強化學習/深度強化學習算法構建智能體，不用浪費時間去搭建環境！ ·案例應用側重于游戲、自動駕駛領域，幫你解決基于智能體的領域問題！ ·基于Python編程語言，講解基本概念和應用知識，操作易上手！
深度強化學習實戰 用OPENAI GYM構建智能體 內容簡介
這是一本介紹用 OpenAI Gym 構建智能體的實戰指南。全書先簡要介紹智能體和學習環境的一些入門知識，概述強化學習和深度強化學習的基本概念和知識點，然后重點介紹 OpenAI Gym 的相關內容，隨后在具體的 Gym 環境中運用強化學習算法構建智能體。本書還探討了這些算法在游戲、自動駕駛領域的應用。 本書適合想用 OpenAI Gym 構建智能體的讀者閱讀，也適合對強化學習和深度強化學習感興趣的讀者參考。讀者應具備一定的 Python 編程基礎。
深度強化學習實戰 用OPENAI GYM構建智能體 目錄
第 1章 智能體與學習環境入門 1
1．1 智能體簡介 1
1．2 學習環境 2
1．3 OpenAI Gym簡介 3
1．4 理解OpenAI Gym的主要特性 8
1．4．1 簡單的環境接口 8
1．4．2 可比較與可復現 8
1．4．3 進程可監控 9
1．5 OpenAI Gym工具包的作用 9
1．6 創建第 一個OpenAI Gym環境 9
1．7 小結 11
第 2章 強化學習和深度強化學習 12
2．1 強化學習簡介 12
2．2 直觀理解人工智能的含義和內容 13
2．2．1 監督學習 13
2．2．2 非監督學習 14
2．2．3 強化學習 14
2．3 強化學習實戰 14
2．3．1 智能體 15
2．3．2 獎勵 15
2．3．3 環境 15
2．3．4 狀態 16
2．3．5 模型 17
2．3．6 值函數 17
2．3．7 策略 18
2．4 馬爾可夫決策過程 18
2．5 動態規劃 19
2．6 蒙特卡洛學習和時序差分學習 19
2．7 SARSA和Q-Learning 20
2．8 深度強化學習 21
2．9 強化學習和深度強化學習算法的實踐應用 22
2．10 小結 23
第3章 開啟OpenAI Gym和深度強化學習之旅 24
3．1 代碼庫、設置和配置 24
3．1．1 先決條件 25
3．1．2 創建conda環境 26
3．1．3 小化安裝—快捷簡便的方法 27
3．1．4 完整安裝OpenAI Gym學習環境 28
3．2 安裝深度強化學習所需的工具和庫 32
3．2．1 安裝必*的系統軟件包 32
3．2．2 安裝CUDA 33
3．2．3 安裝PyTorch 34
3．3 小結 35
第4章 探索Gym及其功能 36
4．1 探索環境列表和術語 36
4．1．1 術語 37
4．1．2 探索Gym環境 38
4．2 理解Gym接口 40
4．3 Gym中的空間 43
4．4 小結 47
第5章 實現第 一個智能體—解決過山車問題 48
5．1 了解過山車問題 48
5．2 從零開始實現Q-Learning智能體 50
5．2．1 Q-Learning回顧 53
5．2．2 使用Python和NumPy實現Q-Learning智能體 53
5．3 在Gym中訓練強化學習智能體 58
5．4 測試并記錄智能體的性能 58
5．5 一個簡單且完整的Q-Learner實現—過山車問題的解決方案 59
5．6 小結 63
第6章 用深度Q-Learning實現化控制智能體 64
6．1 優化Q-Learning智能體 65
6．1．1 用神經網絡近似Q函數 65
6．1．2 經驗回放 71
6．1．3 重溫ε-貪婪動作策略 74
6．2 實現一個深度Q-Learning智能體 76
6．2．1 用PyTorch實現一個深度卷積Q網絡 77
6．2．2 使用目標Q網絡穩定智能體的學習 78
6．2．3 記錄和可視化智能體的學習過程 79
6．2．4 管理超參數和配置參數 81
6．2．5 用完整的深度Q-Learner處理輸入為原始像素的復雜問題 83
6．3 Atari Gym環境 89
6．4 訓練深度Q-Learner玩Atari游戲 98
6．4．1 整合一個完整的深度Q-Learner 98
6．4．2 超參數 101
6．4．3 啟動訓練過程 102
6．4．4 在Atari游戲中測試深度Q-Learner的性能 103
6．5 小結 104
第7章 創建自定義OpenAI Gym環境—CARLA 105
7．1 理解Gym環境結構 105
7．1．1 為自定義Gym環境實現創建模板 106
7．1．2 在OpenAI Gym環境中注冊自定義環境 108
7．2 創建與OpenAI Gym兼容的CARLA環境 108
7．2．1 配置和初始化 110
7．2．2 實現reset方法 111
7．2．3 為CARLA環境實現step函數 115
7．2．4 測試CARLA Gym環境 120
7．3 小結 122
第8章 用深度演員-評論家算法實現無人駕駛智能體 123
8．1 深度n步優勢演員-評論家算法 123
8．1．1 策略梯度 124
8．1．2 演員-評論家算法 126
8．1．3 優勢演員-評論家算法 127
8．1．4 n步優勢演員-評論家算法 129
8．1．5 深度n步優勢演員-評論家算法 132
8．2 實現深度n步優勢演員-評論家智能體 133
8．2．1 初始化演員和評論家網絡 133
8．2．2 用當前策略獲取n步經驗 137
8．2．3 計算演員和評論家的損失 137
8．2．4 更新演員-評論家模型 139
8．2．5 用于保存/加載、記錄、可視化和監視的工具 139
8．2．6 擴展——異步深度n步優勢演員-評論家 139
8．3 訓練一個“聰明”的自動駕駛智能體 140
8．3．1 訓練和測試深度n步優勢演員-評論家智能體 140
8．3．2 訓練智能體在CARLA中駕駛車輛 143
8．4 小結 144
第9章 探索學習環境全景——Roboschool、Gym Retro、StarCraft-Ⅱ和DeepMind Lab 145
9．1 Gym接口兼容的環境 146
9．1．1 Roboschool 146
9．1．2 Gym Retro 150
9．2 其他基于Python的開源學習環境 153
9．2．1 星際爭霸Ⅱ—PySC2 153
9．2．2 DeepMind Lab 156
9．3 小結 160
第 10章 探索學習算法世界——DDPG（演員-評論家）、PPO （策略梯度）、Rainbow（基于值） 161
10．1 深度確定性策略梯度 162
10．2 近端策略優化 163
10．3 Rainbow 165
10．3．1 核心概念 165
10．3．2 優點及應用簡要總結 169
10．4 小結 170
1．1 智能體簡介 1
1．2 學習環境 2
1．3 OpenAI Gym簡介 3
1．4 理解OpenAI Gym的主要特性 8
1．4．1 簡單的環境接口 8
1．4．2 可比較與可復現 8
1．4．3 進程可監控 9
1．5 OpenAI Gym工具包的作用 9
1．6 創建第 一個OpenAI Gym環境 9
1．7 小結 11
第 2章 強化學習和深度強化學習 12
2．1 強化學習簡介 12
2．2 直觀理解人工智能的含義和內容 13
2．2．1 監督學習 13
2．2．2 非監督學習 14
2．2．3 強化學習 14
2．3 強化學習實戰 14
2．3．1 智能體 15
2．3．2 獎勵 15
2．3．3 環境 15
2．3．4 狀態 16
2．3．5 模型 17
2．3．6 值函數 17
2．3．7 策略 18
2．4 馬爾可夫決策過程 18
2．5 動態規劃 19
2．6 蒙特卡洛學習和時序差分學習 19
2．7 SARSA和Q-Learning 20
2．8 深度強化學習 21
2．9 強化學習和深度強化學習算法的實踐應用 22
2．10 小結 23
第3章 開啟OpenAI Gym和深度強化學習之旅 24
3．1 代碼庫、設置和配置 24
3．1．1 先決條件 25
3．1．2 創建conda環境 26
3．1．3 小化安裝—快捷簡便的方法 27
3．1．4 完整安裝OpenAI Gym學習環境 28
3．2 安裝深度強化學習所需的工具和庫 32
3．2．1 安裝必*的系統軟件包 32
3．2．2 安裝CUDA 33
3．2．3 安裝PyTorch 34
3．3 小結 35
第4章 探索Gym及其功能 36
4．1 探索環境列表和術語 36
4．1．1 術語 37
4．1．2 探索Gym環境 38
4．2 理解Gym接口 40
4．3 Gym中的空間 43
4．4 小結 47
第5章 實現第 一個智能體—解決過山車問題 48
5．1 了解過山車問題 48
5．2 從零開始實現Q-Learning智能體 50
5．2．1 Q-Learning回顧 53
5．2．2 使用Python和NumPy實現Q-Learning智能體 53
5．3 在Gym中訓練強化學習智能體 58
5．4 測試并記錄智能體的性能 58
5．5 一個簡單且完整的Q-Learner實現—過山車問題的解決方案 59
5．6 小結 63
第6章 用深度Q-Learning實現化控制智能體 64
6．1 優化Q-Learning智能體 65
6．1．1 用神經網絡近似Q函數 65
6．1．2 經驗回放 71
6．1．3 重溫ε-貪婪動作策略 74
6．2 實現一個深度Q-Learning智能體 76
6．2．1 用PyTorch實現一個深度卷積Q網絡 77
6．2．2 使用目標Q網絡穩定智能體的學習 78
6．2．3 記錄和可視化智能體的學習過程 79
6．2．4 管理超參數和配置參數 81
6．2．5 用完整的深度Q-Learner處理輸入為原始像素的復雜問題 83
6．3 Atari Gym環境 89
6．4 訓練深度Q-Learner玩Atari游戲 98
6．4．1 整合一個完整的深度Q-Learner 98
6．4．2 超參數 101
6．4．3 啟動訓練過程 102
6．4．4 在Atari游戲中測試深度Q-Learner的性能 103
6．5 小結 104
第7章 創建自定義OpenAI Gym環境—CARLA 105
7．1 理解Gym環境結構 105
7．1．1 為自定義Gym環境實現創建模板 106
7．1．2 在OpenAI Gym環境中注冊自定義環境 108
7．2 創建與OpenAI Gym兼容的CARLA環境 108
7．2．1 配置和初始化 110
7．2．2 實現reset方法 111
7．2．3 為CARLA環境實現step函數 115
7．2．4 測試CARLA Gym環境 120
7．3 小結 122
第8章 用深度演員-評論家算法實現無人駕駛智能體 123
8．1 深度n步優勢演員-評論家算法 123
8．1．1 策略梯度 124
8．1．2 演員-評論家算法 126
8．1．3 優勢演員-評論家算法 127
8．1．4 n步優勢演員-評論家算法 129
8．1．5 深度n步優勢演員-評論家算法 132
8．2 實現深度n步優勢演員-評論家智能體 133
8．2．1 初始化演員和評論家網絡 133
8．2．2 用當前策略獲取n步經驗 137
8．2．3 計算演員和評論家的損失 137
8．2．4 更新演員-評論家模型 139
8．2．5 用于保存/加載、記錄、可視化和監視的工具 139
8．2．6 擴展——異步深度n步優勢演員-評論家 139
8．3 訓練一個“聰明”的自動駕駛智能體 140
8．3．1 訓練和測試深度n步優勢演員-評論家智能體 140
8．3．2 訓練智能體在CARLA中駕駛車輛 143
8．4 小結 144
第9章 探索學習環境全景——Roboschool、Gym Retro、StarCraft-Ⅱ和DeepMind Lab 145
9．1 Gym接口兼容的環境 146
9．1．1 Roboschool 146
9．1．2 Gym Retro 150
9．2 其他基于Python的開源學習環境 153
9．2．1 星際爭霸Ⅱ—PySC2 153
9．2．2 DeepMind Lab 156
9．3 小結 160
第 10章 探索學習算法世界——DDPG（演員-評論家）、PPO （策略梯度）、Rainbow（基于值） 161
10．1 深度確定性策略梯度 162
10．2 近端策略優化 163
10．3 Rainbow 165
10．3．1 核心概念 165
10．3．2 優點及應用簡要總結 169
10．4 小結 170
展開全部
深度強化學習實戰 用OPENAI GYM構建智能體 作者簡介
普拉文·巴拉尼沙米(Praveen Palanisamy)專注于研究自主智能系統。他是通用汽車研發部門的 AI(人工智能)研究員，主要負責針對自動駕駛開發基于深度強化學習的規劃和決策算法。在此之前，他在卡內基-梅隆大學機器人所從事自動導航的研究(包括可移動機器人的感知與智能)，曾從零開始研發一個完整的、自動的機器人系統。
書友推薦
- >
莉莉和章魚
- >
我與地壇
- >
羅庸西南聯大授課錄
- >
巴金－再思錄
- >
羅曼·羅蘭讀書隨筆-精裝
- >
伊索寓言-世界文學名著典藏-全譯本
- >
二體千字文
- >
月亮與六便士
本類暢銷
