- @MR_kdcon
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
之前看过2遍西瓜书的强化学习部分，尽管看了2遍，但是你问我看懂了什么，我还是一头雾水。发现一个问题，你给了Q-learning或者DQN的伪代码，去做一个实战，确实可以复现，但是就是对背后的原理理解的很模糊。后来又去网上找了一些资料，比如知乎上这个博主对DQN的理解，看了之后对于DRL理解更进一步了，但还是有一些不理解的地方，因此后来我决定重新再来，去找李宏毅老师的DRL课程从头开始学，接下来是我
实战内容：1、一维探宝2、二维探宝一、实际效果：一维探宝：二维探宝：二、Q-learning算法：输入：环境E：用于对机器人做出的动作进行反馈，反馈当前奖励r（本设计中，规定拿到宝藏才有奖励，落入陷阱获得负奖励，其余无奖励）与下个状态state'。如实际效果中的横向轴与棋盘动作空间A：一维中['left', 'right']；二维中[‘up’, 'down', 'left', 'right']奖.
实战内容：1、一维探宝2、二维探宝一、实际效果：一维探宝：二维探宝：二、Q-learning算法：输入：环境E：用于对机器人做出的动作进行反馈，反馈当前奖励r（本设计中，规定拿到宝藏才有奖励，落入陷阱获得负奖励，其余无奖励）与下个状态state'。如实际效果中的横向轴与棋盘动作空间A：一维中['left', 'right']；二维中[‘up’, 'down', 'left', 'right']奖.
之前看过2遍西瓜书的强化学习部分，尽管看了2遍，但是你问我看懂了什么，我还是一头雾水。发现一个问题，你给了Q-learning或者DQN的伪代码，去做一个实战，确实可以复现，但是就是对背后的原理理解的很模糊。后来又去网上找了一些资料，比如知乎上这个博主对DQN的理解，看了之后对于DRL理解更进一步了，但还是有一些不理解的地方，因此后来我决定重新再来，去找李宏毅老师的DRL课程从头开始学，接下来是我
之前用Q-learning算法实现了一维和二维空间的探宝游戏，取得了不错的效果，证明了Q-learning算法对于状态不大的或离散状态下的RL问题有较好的收敛效果，为了强化对Q-learning的认识，本次我将继续实现以一个比较有趣的、经典的、更有难度的RL问题。对于迷宫探宝游戏，有兴趣的可以看看：https://blog.csdn.net/MR_kdcon/article/details/109
PyTorchPytorch框架的一大好处就是我们可以直接调用Pytorch规定的一套架构，用户自己去选择完成整个深度学习任务的积木去堆积，避免了每次都要从底层写代码，并且框架下的函数都是多次优化过的，可以说框架的出现节约了时间成本PyTorch由4个主要包装组成：1.Torch：类似于Numpy的通用数组库，可以在将张量类型转换为（torch.cuda.TensorFloat）并在GPU上进行计
PyTorchPytorch框架的一大好处就是我们可以直接调用Pytorch规定的一套架构，用户自己去选择完成整个深度学习任务的积木去堆积，避免了每次都要从底层写代码，并且框架下的函数都是多次优化过的，可以说框架的出现节约了时间成本PyTorch由4个主要包装组成：1.Torch：类似于Numpy的通用数组库，可以在将张量类型转换为（torch.cuda.TensorFloat）并在GPU上进行计
这篇文章介绍了一种轻量级全CNN网络的Super-Revolution(超分)算法。参考文档：①DCSCN论文阅读笔记自适应parametric ReLUParametric ReLUPSNR&SSIMFast and Accurate Image Super Resolution by Deep CNN with Skip Connection and Network in Networ
这篇文章的总体网络架构和DCSCN这篇很类似：通过构建一个具有skip connection结构的end-to-end的CNN网络。文章推出的新模型被称之为SRDenseNet，其利用Dense块作为基本结构，使用skip connection来结合低层特征信息和高层特征信息，然后通过反卷积网络进行图像重建，从而实现LR→HRLR\to HRLR→HR的转变，并且也说明不同深度层的特征之间包含的信