Turinys:
Apibrėžimas - ką reiškia „Deep Q-Networks“?
Giluminiai Q tinklai (DQN) yra neuroniniai tinklai (ir (arba) susiję įrankiai), kuriuose naudojamas gilus Q mokymasis, siekiant pateikti tokius modelius kaip intelektualiųjų vaizdo žaidimų modeliavimas. Užuot tai pateikę kaip konkretaus neuroninių tinklų kūrimo pavadinimą, „Deep Q Networks“ gali būti sudaryti iš konvoliucinių nervų tinklų ir kitų struktūrų, naudojančių specifinius metodus norint sužinoti apie įvairius procesus.
„Techopedia“ paaiškina „Deep Q-Networks“
Giluminio Q mokymosi metodas paprastai naudoja tai, kas vadinama bendrąja politikos iteracija, apibūdinama kaip politikos įvertinimo ir politikos iteracijos sąsaja, siekiant išmokti strategijas iš aukštos dimensijos jutiminės informacijos.
Pvz., Įprastas giliųjų Q tinklų tipas, apimamas tokiose technikos publikacijose kaip „Medium“, naudoja „Atari 2600“ vaizdo žaidimų jutiminę įvestį ir modeliuoja rezultatus. Tai atliekama labai pagrindiniu lygiu - renkant pavyzdžius, juos kaupiant ir panaudojant pakartotiniam naudojimui, kad būtų atnaujintas Q tinklas.
Bendrąja prasme giluminiai Q tinklai treniruojasi dėl įėjimų, kurie reprezentuoja aktyvius žaidėjus srityse ar kituose patyrusiuose pavyzdžiuose, ir mokosi suderinti tuos duomenis su norimais išėjimais. Tai yra galingas dirbtinio intelekto tobulinimo metodas, galintis žaisti tokius žaidimus kaip šachmatai aukštu lygiu arba vykdyti kitą aukšto lygio pažintinę veiklą - „Atari“ ar šachmatų vaizdo žaidimų pavyzdys taip pat yra geras pavyzdys, kaip AI naudojasi tipai sąsajų, kurias tradiciškai naudojo žmonių agentai.
Kitaip tariant, giliai mokantis Q, AI žaidėjas mokydamasis gali labiau panašėti į žmogų, siekdamas norimų rezultatų.
