网站首页 技术文章 第294页
-
DeepMind 推出分布式训练框架 IMPALA，开启智能体训练新时代
雷锋网AI研习社按，日前，DeepMind推出一种全新的分布式智能体训练框架IMPALA，该框架具有高度可扩展性，将学习和执行过程分开，使用了一种名为V-trace的离策略（off-policy）修正算法，具有显著的加速性能，极...
2024-11-08 btikc 技术文章 23 ℃ 0 评论 -
Ray和RLlib用于快速并行强化学习 Ray和RLlib用于快速并行强化学习记录
Ray不仅仅是一个用于多处理的库，Ray的真正力量来自于RLlib和Tune库，它们利用了强化学习的这种能力。它使你能够将训练扩展到大型分布式服务器，或者利用并行化特性来更有效地使用你自己的笔记本电脑进行训练。我们展示了如何使用Ray和RL...
2024-11-08 btikc 技术文章 23 ℃ 0 评论 -
RA-L 2023 | 学会寻找从未听过的声源
本文是IEEERoboticsandAutomationLetters(RA-L)接收论文LearningSemantic-AgnosticandSpatial-AwareRepresentationforGen...
2024-11-08 btikc 技术文章 24 ℃ 0 评论 -
DeepMind最新研究动向，帮助实现单智能体多任务强化学习
深度强化学习（DeepRL）在很多任务中取得了成功，从机器人的连续控制问题到围棋、Atari等游戏。不过这些领域中的进步还限制在单个任务，即在单个任务中对智能体进行调整和训练。DeepMind最近提出的IMPALA开始尝试利用单智能...
2024-11-08 btikc 技术文章 21 ℃ 0 评论 -
RLHF再也不需要人类了!谷歌团队研究证明，AI标注已达人类水平
编辑：编辑部...
2024-11-08 btikc 技术文章 24 ℃ 0 评论 -
无惧雨雪风霜?斯坦福找到一种更适应动态环境的强化学习方法
斯坦福人工智能实验室（SAIL）的研究人员最近设计了一种方法，能处理那些会随时间变化的数据和环境，性能优于一些领先的强化学习方法，它被命名为LILAC（LifelongLatentActor-Critic）。这一方法使用了潜在变量模型和...
2024-11-08 btikc 技术文章 24 ℃ 0 评论 -
学术分享丨强化学习在机器人装配工艺中的应用
强化学习（ReinforcementLearning）灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。这个方法具有普适性，因此在其他许多领域都有研究，例如博...
2024-11-08 btikc 技术文章 25 ℃ 0 评论 -
从头开始强化学习 强化学习方法
本文为AI研习社编译的技术博客，原标题：ReinforcementLearningfromscratch作者|EmmanuelAmeisen翻译|AI小山编辑|酱番梨、Pita原文链接：https://blog....
2024-11-08 btikc 技术文章 23 ℃ 0 评论 -
优化 | 双时间尺度Actor-Critic方法的有限样本分析
编者按：Actor-Critic方法结合了actor-only方法和critic-only方法的优势,是一种广泛使用的强化学习方法.该方法的原理为：给定来自于actor的策略,利用critic学习值函数,同时actor可以估计基于crit...
2024-11-08 btikc 技术文章 24 ℃ 0 评论 -
强化学习系列—Actor-Critic 算法
前面的文章简单介绍过Actor-Critic算法，但是并没有系统介绍，而且网上资料相对零碎，根本原因是Actor-Critic算法是一种算法思想，众多算法都是基于这个思想上进行改进发展，所以Actor-Critic算法并不是某一个单独算法...
2024-11-08 btikc 技术文章 24 ℃ 0 评论
- 控制面板
- 网站分类
- 最新留言