什么是强化学习工具箱?
强化学习工具箱™提供了一个应用程序,功能和一个Simulink®块的训练策略使用强化学习算法,包括DQN, PPO, SAC和DDPG。您可以使用这些策略为复杂的应用程序(如资源分配、机器人和自主系统)实现控制器和决策算法。
这个工具箱允许您使用深度神经网络或查找表表示策略和值函数,并通过与MATLAB中建模的环境的交互来训练它们®或仿真软件。您可以评估工具箱中提供的单个或多代理强化学习算法,也可以开发自己的算法。您可以实验超参数设置,监视训练进度,并通过应用程序或编程方式交互模拟训练有素的代理。为了提高训练性能,模拟可以在多个cpu、gpu、计算机集群和云上并行运行(使用并行计算工具箱™和MATLAB并行服务器™)。
通过ONNX™模型格式,现有的策略可以从深度学习框架中导入,如TensorFlow™Keras和PyTorch(带有深度学习工具箱™)。您可以生成优化的C、c++和CUDA®代码在微控制器和图形处理器上部署训练过的策略。工具箱包括参考示例,以帮助您入门。
Reinforcement Learning Toolbox™提供了一个应用程序、函数和块,允许您为复杂的应用程序(如机器人和自动驾驶)实现控制器和决策算法。
该工具箱使您能够使用MATLAB完成强化学习工作流的所有步骤,从创建环境和代理到策略培训和部署®和仿真软件®.
通过从内置算法(如DQN、PPO和SAC)中选择来定义代理,或者开发自己的自定义算法。
在Reinforcement Learning Designer中以交互方式或编程方式创建代理对象。
对于深度神经网络策略,强化学习工具箱可以自动生成默认网络架构。
或者,用深度网络设计器创建深度神经网络策略和价值函数…
或者通过编程方式,使用内置函数。
除了神经网络,还支持多项式和查找表。
您可以在MATLAB和Simulink中创建环境。
在Simulink中,创建一个描述环境动态、观察和奖励信号的模型。
要将环境模型与创建的代理对象连接起来,请使用agent块的一个或多个实例,分别进行单个或多代理训练。
对于MATLAB环境,您可以从提供的模板开始,并根据需要进行修改。
您还可以从几个预定义的MATLAB和Simulink环境中进行选择。
要开始培训,请指定培训选项,如停止标准,并在应用程序中或以编程方式培训代理。
并行计算工具箱™和MATLAB并行服务器™让您通过并行模拟和计算加速训练。
在培训期间,Episode manager可以帮助您可视化地监视培训进度,并提供汇总统计信息。
培训完成后,您可以在仿真环境中验证培训的agent,并根据需要进行修改。
然后可以生成CUDA和C/ c++代码来部署经过训练的策略。
有关“强化学习工具箱”的更多信息,请参阅文档和提供的示例。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。