DQN，Deep Q Network本质上还是Q learning算法，它的算法精髓还是让Q估计​尽可能接近Q现实​，或者说是让当前状态下预测的Q值跟基于过去经验的Q值尽可能接近。在后面的介绍中Q现实​也被称为TD Target相比于Q Table形式，DQN算法用神经网络学习Q值，我们可以理解为神经网络是一种估计方法，神经网络本身不是DQN的精髓，神经网络可以设计成MLP也可以设计成CNN等等，

GParted给ubuntu系统磁盘resize大小时候出现cannot resize read-only file system解决方法

GParted给ubuntu系统磁盘resize大小时候出现cannot resize read-only file system解决方法

1. 事情的起源全记录事情的起源是为了学习Python强化学习实战，先在自己的windows操作系统的Pycharm+Anaconda+Gym配置下运行成功了CartPole示例和CarRacing示例，接着运行Universe，据说OpenAI Universe需要在Docker的镜像下运行，在安装Docker的时候偶然遇到了WSL 2，既然windows有WSL 2的Linux环境，那么直接在

用UNet网络做PASCAL VOC2012图像分割

哈喽，各位小伙伴萌，今天要给大家带来的是一维卷积神经网络入门入门再入门什么是一维卷积首先让我们来看看什么是一维卷积，它可以用在什么地方呢？先上链接→https://blog.csdn.net/orDream/article/details/106342711?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-4&s

问题来源问题来源背景是在学习强化学习的冰冻湖小例子，输出最优策略是[0,3,3,3,0,0,0,0,3,1,0,0,0,2,1,0]，不理解这个最优策略啊，开始一路找答案深刻理解参考《gym冰冻湖环境学习笔记》, 一起来围观吧 https://blog.csdn.net/qq_20805805/article/details/104195493?utm_source=app&app_ver

1. 事情的起源全记录事情的起源是为了学习Python强化学习实战，先在自己的windows操作系统的Pycharm+Anaconda+Gym配置下运行成功了CartPole示例和CarRacing示例，接着运行Universe，据说OpenAI Universe需要在Docker的镜像下运行，在安装Docker的时候偶然遇到了WSL 2，既然windows有WSL 2的Linux环境，那么直接在

随机选择action特别感谢这位博主的分享，代码亲测注释详细、效果超群https://blog.csdn.net/weixin_42454034/article/details/111194389QLearning选择action同样非常感谢这位博主的分享，代码亲测注释详细、效果超群https://blog.csdn.net/weixin_42454034/article/details/1111

安装vizdoom库网络太差，pip install vizdoom库从官网下载非常缓慢，果断放弃到pypi.org上下载源包，tar.gz安装遇到困难，安装错误是bugVizDoom安装失败（ RuntimeError: Building pip package on Windows is not currently available）查找上面的bug，一位好心人已经解决过这个问题 https