在过去的几年里,强化学习(RL,Reinforcement Learning)在很多方面取得了突破。DeepMind公司将深度学习与增强学习结合在一起,在众多的Atari游戏中来取得超越人类的表现,基于深度学习和强化学习训练得到的AlphaGo Zero更是完全从零开始,仅通过自我对弈就能天下无敌。虽然RL目前在许多游戏环境中都表现很出色,但它对解决需要优决策和效率的问题而言是种全新方法,而且肯定会在机器智能中发挥作用。
Gym是为测试和开发RL算法而设计的环境/任务的集合。它让用户不必再创建复杂的环境。Gym用Python编写,它有很多的环境,比如机器人模拟或Atari 游戏。它还提供了一个在线排行榜,供人们比较结果和代码。
第1部份 强化学习与常用的仿真环境平台介绍(MuJoCo, OpenAI Gym, rllab, DeepMind Lab, TORCS, PySC2等)
第2部份 OpenAI gym中的常用仿真环境介绍,包括Atari 2600 游戏系列、MuJoCo 物理模拟器、Toy text 文本环境、Robotics机械手与机械臂模拟器等
第3部份 马尔科夫决策过程MDP
第4部份 基于gym的MDP实例讲解,基于OpenAI Gym构建股票市场交易环境
第5部份 基于gym的强化学习实践:基于值函数的强化学习方法实现;基于策略梯度的强化学习方法实现
第6部份 虚拟环境Universe: 一个用于训练解决通用问题 AI 的基础架构
第7部份 基于Universe的强化学习实践:用OpenAI公司的Gym工具库和Universe平台为游戏创建人工智能机器人
|