initial_h

摘要： **发表时间：**2019 ICLR **文章要点：**文章在Q-learning的基础上加上rnn结构，提出了解决rnn中hidden state如何用来更新的问题。以前的rnn的初始hidden state直接输入0，这会造成和真正的hidden state有偏差的问题（initial recu 阅读全文

摘要： Reinforcement Learning: An Introduction (second edition) - Chapter 11,12,13 Contents Chapter 1,2 Chapter 3,4 Chapter 5,6 Chapter 7,8 Chapter 9,10 Chap 阅读全文

摘要： Reinforcement Learning: An Introduction (second edition) - Chapter 9,10 Contents Chapter 1,2 Chapter 3,4 Chapter 5,6 Chapter 7,8 Chapter 9,10 Chapter 阅读全文

摘要： Reinforcement Learning: An Introduction (second edition) - Chapter 7,8 Contents Chapter 1,2 Chapter 3,4 Chapter 5,6 Chapter 7,8 Chapter 9,10 Chapter 1 阅读全文

摘要： Reinforcement Learning: An Introduction (second edition) - Chapter 5,6 Contents Chapter 1,2 Chapter 3,4 Chapter 5,6 Chapter 7,8 Chapter 9,10 Chapter 1 阅读全文

摘要： Reinforcement Learning: An Introduction (second edition) - Chapter 3,4 Contents Chapter 1,2 Chapter 3,4 Chapter 5,6 Chapter 7,8 Chapter 9,10 Chapter 1 阅读全文

摘要： Reinforcement Learning: An Introduction (second edition) - Chapter 1,2 Contents Chapter 1,2 Chapter 3,4 Chapter 5,6 Chapter 7,8 Chapter 9,10 Chapter 1 阅读全文

摘要： 在做博弈模型评估的时候，遇到一个问题是如何评价多个模型的优劣。例如我有训练好的三个围棋模型A,B,C，两两之间对打之后有一个胜负关系，如何对这三个模型进行排序呢？通常对于人类选手这种水平有波动的情形，棋类比赛通常计算选手Elo得分按分值排序，足球篮球等通过联赛积分或胜场进行排序，但对于固定不变的AI 阅读全文

摘要： About model based and model free Model free methods cannot be the future of reinforcement learnig, even though these algorithms perform better than mo 阅读全文

摘要： 很早之前看到这篇文章的时候，觉得这篇文章的思想很朴素，没有让人眼前一亮的东西就没有太在意。之后读到很多Multi-Agent或者并行训练的文章，都会提到这个算法，比如第一视角多人游戏(Quake III Arena Capture the Flag)的超人表现，NeurIPS2018首届多智能体竞赛 阅读全文

摘要： AlphaZero Gomoku MPI Link Github : "AlphaZero Gomoku MPI" Overview This repo is based on "junxiaosong/AlphaZero_Gomoku" , sincerely grateful for it. I 阅读全文

摘要： 之前看MADDPG论文的时候，作者提到在离散的信息交流环境中，使用了Gumbel-Softmax estimator。于是去搜了一下，发现该技巧应用甚广，如深度学习中的各种GAN、强化学习中的A2C和MADDPG算法等等。只要涉及在离散分布上运用重参数技巧时(re-parameterization) 阅读全文

摘要： "MADDPG原文链接" "OpenAI blog" "DDPG链接" 目录 "一、摘要" "二、效果展示" "三、方法细节" "问题分析" "具体方法" "伪代码" "网络结构" "四、实验结果" "五、总结" "附录" "Proposition 1" 一、摘要 文章探索了多智能体(multi a 阅读全文

摘要： 论文链接 油管链接 一、摘要 当环境奖励特别稀疏的时候，强化学习方法通常很难训练(traditionally struggle)。一个有效的方式是通过人类示范者(human demonstrator)提供模仿轨迹(imitate trajectories)来指导强化学习的探索方向，通常的做法是观看人 阅读全文

摘要： MDP概述   马尔科夫决策过程(Markov Decision Process)是强化学习(reinforcement learning)最基本的模型框架。它对序列化的决策过程做了很多限制。比如状态$S_t$和动作$a_t$只有有限个、$(S_t,a_t)$对应的回报$R_t$ 阅读全文