Densely Connected Convolutional Networks概述DenseNet是CVPR2017的最佳论文，主要是以ResNet为基础，在此之上进行改进优化，借鉴了ResNet的核心思想提出了全新的dense block结构。如果说ResNet是以网络深度取胜的话，那么denseNet则是以对特征入手，得到了更好的结果。DenseNet的核心思想来源于...

【强化学习】Sarsa+Sarsa-lambda(Sarsa(λ))算法详解Sarsa算法的决策部分和Q-learning相同，所以下面的内容依然会基于上片Qlearning的公式推导。由于与Qlearning极大程度相似所以不会花太大的篇幅去说明1、算法思想Sarsa算法的的决策部分与Qlearning相同，都是通过Q表的形式进行决策，在 Q 表中挑选值较大的动作值施加在环境...

DeepMind公开课https://sites.google.com/view/deep-rl-bootcamp/lecturesDavid Silver教程 http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.htmlmorvanzhou课程https://morvanzhou.github.io/tutorials/...

引自Reinforcement Learning:An Introduction强化学习名著2018新编版在强化学习中我们经常会遇到策略迭代与值迭代，但是很多人都搞不清楚他们两个之间的区别，他们其实都是强化学习中的动态规划方法。科普：动态规划dynamic programming简称（DP）【强化学习】值迭代与策略迭代在强化学习中，要求一个完全已知的环境模型，所谓完...

http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html引自Reinforcement Learning:An Introduction强化学习名著2018新编版DPG论文http://www0.cs.ucl.ac.uk/staff/d.silver/web/Applications_files/determinis...

引用 知乎专栏 天津包子馅儿的知乎1、前言之前的强化学习分类中介绍了几种强化学习方法的分类，今天就说一下其中重要的算法思想时间差分法，TD与蒙特卡罗法主要是在值函数的更新上有所差异，我们可以先看下图动态规划法：需要一个完全已知的环境，需要状态之间的转换概率，并且V(S)状态值函数的估计是自举的(bootstrapping)，即当前状态值函数的更新依赖于已知的其他状态...

https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/6-1-actor-critic/http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html【强化学习】Actor-Critic详解之前在强化学习分类中，我们...

DQN（Deep Q-Learning）是将深度学习deeplearning与强化学习reinforcementlearning相结合，实现了从感知到动作的端到端的革命性算法。使用DQN玩游戏的话简直6的飞起，其中fladdy bird这个游戏就已经被DQN玩坏了。当我们的Q-table他过于庞大无法建立的话，使用DQN是一种很好的选择1、算法思想DQN与Qleanring类似...

morvan zhou教学视频https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/6-4-DPPO/Hung-yi Lee课程http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.htmlPPO论文https://arxiv.org/abs...

QLearning是强化学习算法中值迭代的算法，Q即为Q（s,a）就是在某一时刻的 s 状态下(s∈S)，采取 a (a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取动作获得较大的收益。