Satura rādītājs:
Definīcija - ko nozīmē Deep Q-Networks?
Dziļie Q tīkli (DQN) ir neironu tīkli (un / vai ar tiem saistīti rīki), kas izmanto dziļu Q mācīšanos, lai nodrošinātu tādus modeļus kā viedo videospēļu spēles simulācija. Neatkarīgi no tā, ka Deep Q Networks būtu noteikts nosaukums īpašam neironu tīkla veidojumam, to var veidot no konvolūcijas neironu tīkliem un citām struktūrām, kuras izmanto īpašas metodes dažādu procesu apgūšanai.
Techopedia skaidro Deep Q-Networks
Dziļās Q apguves metodē parasti tiek izmantots kaut kas, ko sauc par vispārīgu politikas iterāciju, ko apraksta kā politikas novērtēšanas un politikas iterācijas apvienojumu, lai apgūtu politikas no maņu juteklīgas ievadīšanas.
Piemēram, parastajam dziļā Q tīkla veidam, kas iekļauts tehnoloģiju publikācijās, piemēram, Medium, tiek izmantoti sensori no Atari 2600 videospēlēm, lai modelētu rezultātus. Tas tiek darīts ļoti fundamentālā līmenī, apkopojot paraugus, tos glabājot un izmantojot atkārtotai pieredzei, lai atjauninātu Q tīklu.
Vispārējā nozīmē dziļi Q tīkli trenējas pie ievadiem, kas pārstāv aktīvos spēlētājus apgabalos vai citos pieredzējušos paraugos, un iemācās šos datus saskaņot ar vēlamajiem izvadiem. Šī ir spēcīga metode mākslīgā intelekta attīstībā, kas var spēlēt tādas spēles kā šahs augstā līmenī vai veikt citas augsta līmeņa izziņas aktivitātes - arī Atari vai šaha videospēļu spēles piemērs ir labs piemērs tam, kā AI izmanto saskarņu veidi, kurus tradicionāli izmantoja cilvēku aģenti.
Citiem vārdiem sakot, ar dziļu Q apguvi AI spēlētājs iemācās vairāk līdzināties cilvēku spēlētājam, lai sasniegtu vēlamos rezultātus.
