强化学习-深度Q网络（第3章）深度 Q 网络 革新了强化学习领域。1.在连续控制问题中，不能用表格式的Q数组表示。2.DQN的一个有趣的特性是在训练过程中利用第二个网络，成为目标网络。第二个网络用于生成 target-Q值, 该 target-Q 值用于在训练过程中计算损失函数。3.DQNs 中的一个问题是使用 (𝑠,𝑎, 𝑟,𝑠′, done) 元组的连续样本, 它们是相关的, 因此训练

强化学习-Double DQN、竞争网络结构和Rainbow（第4章）1.Double DQN、竞争网络结构和Rainbow2.思考题

深度强化学习-DDPG代码阅读-AandC.py(1)编写AandC.py导入包定义权重和偏置初始化器定义ActorNetwork类定义self.update_target_network_params使用Adam优化定义create_actor_network()函数定义 Actor 函数定义CriticNetwork 类critic 目标网络定义create_critic_network()定

强化学习-深度Q网络（第3章）深度 Q 网络 革新了强化学习领域。1.在连续控制问题中，不能用表格式的Q数组表示。2.DQN的一个有趣的特性是在训练过程中利用第二个网络，成为目标网络。第二个网络用于生成 target-Q值, 该 target-Q 值用于在训练过程中计算损失函数。3.DQNs 中的一个问题是使用 (𝑠,𝑎, 𝑟,𝑠′, done) 元组的连续样本, 它们是相关的, 因此训练

深度强化学习-DDPG代码阅读-ddpg.py(1)1.编写ddpg.py1.1 导入需要的包和其他的python文件1.2 定义训练函数train()1.3 定义测试函数test()1.4 定义主函数1.5 根据需要调用训练函数或者测试函数1.6 问题

Python-项目实战--贪吃蛇小游戏（1）贪吃蛇的游戏规则类的设计与模块准备

Python-DQN代码阅读(13)data = np.loadtxt('performance.txt')mva = np.zeros((data.shape[0]), dtype=np.float)mva[i] = data[i,1]mva[i] = alpha * data[i,1] + (1.0 - alpha) * mva[i-1]plt.plot(data[:,0], data[:,1

Python-PyCharm调试时中文出现乱码注意：勾选方框可以解决pycharm调试中文乱码的问题，但会导致其他软件出现乱码

这一行代码使用了列表推导式（List Comprehension）的结构，是一种简洁的 Python 编码方式，用于从一个可迭代对象中生成新的列表。列表进行排序，可以保证复制模型参数时的一致性，即按照变量名称的字典序对参数进行复制操作，从而确保了参数复制的顺序和对应关系一致。函数是 Python 内置函数，用于将多个列表中的元素按索引一一对应起来，生成一个新的可迭代对象（元组列表）。中的元素按索引

Python-生成元组和字典使用()生成元组使用tuple函数生成元组使用divmod函数生成元组使用{}生成字典使用dict函数生成字典