Google开源TensorFlow强化学习框架示例分析，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。

十载的广西网站建设经验，针对设计、前端、开发、售后、文案、推广等六对一服务，响应快，48小时及时工作处理。全网营销推广的优势是能够根据用户设备显示端的尺寸不同，自动调整广西建站的显示方式，使网站能够适用不同显示终端，在浏览器中调整网站的宽度，无论在任何一种浏览器上浏览网站，都能展现优雅布局与设计，从而大程度地提升浏览体验。创新互联从事“广西网站设计”,“广西网站推广”以来，每个客户项目都认真落实执行。

谷歌宣布开源基于 TensorFlow 的强化学习框架——Dopamine。

强化学习是一种人工智能（AI）技术，它使用奖励（或惩罚）来驱动agent朝着特定目标前进，比如之前大火的Alpha Go击败人类顶尖围棋选手，还有在 Dota2 对战人类职业玩家的Open AI Five。同时，强化学习也是DeepMind 的深度Q 网络（DQN）的核心部分，可以在多个workers 中分配学习，例如，在Atari 2600游戏中实现“超人”性能。麻烦的是，强化学习框架需要时间来掌握一个目标，往往是不灵活的，也不够稳定。

这就是谷歌提出替代方案的原因：基于TensorFlow的开源强化学习框架——Dopamine，从今天开始，它可以从Github获得。

（https://github.com/google/dopamine/tree/master/docs#downloads）

谷歌研究人员表示，他们开源的这个 TensorFlow 强化学习框架强调三点：灵活、稳定和可重复性。

受到主要组件之一大脑中奖励动机行为行为的启发,以及反映神经科学和强化学习的研究之间的联系,这个平台的目的是使推测性研究推动根本性的发现，此版本还包括一组阐明如何使用整个框架的colabs。

易用性

为此，它包括了一套精心编写的代码（15个Python文件），专注于Arcade学习环境（一个用视频游戏评估AI技术的平台）以及四种不同的机器学习模型：上述提到的深度Q 网络（DQN）; C51; Rainbow agent的一个简化版本; Implicit Quantile Network agent。清晰和简洁是这个框架设计中的两个关键考虑因素。

可重复性

为了实现强化学习的可重复性，代码在Arcade学习环境支持的60个游戏中提供完整的测试覆盖率和训练数据（采用JSON和Python pickle格式），并遵循标准化结果以进行实证评估的最佳实践。

基准测试

对于新的研究者来说，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。

谷歌的4 个智能体在Seaquest 上的训练运行（Seaquest 是ALE 支持的Atari

除此之外，谷歌还推出了一个网站，允许开发人员将多个训练中智能体的运行情况快速可视化。它还提供经过训练的模型、原始统计日志和TensorFlow event files，用于TensorBoard动态图的绘制，TensorBoard是一个web应用可视化套件。

“我们的希望是，我们的框架的灵活性和易用性将使研究人员能够尝试新的思想，无论是渐进的还是激进的。”

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注创新互联-成都网站建设公司行业资讯频道，感谢您对创新互联的支持。

分享标题：Google开源TensorFlow强化学习框架示例分析-创新互联
本文URL：http://cdweb.net/article/dspjoi.html