边做边学深度强化学习：PyTorch程序设计实践
| 作者 |
| [日] 小川雄太郎（Yutaro ogawa） |
| 丛书名 |
| 轻松上手IT技术日文译丛 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111650140 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 Pytorch是基于python且具备强大GPU加速的张量和动态神经网络，更是Python中优先的深度学习框架，它使用强大的 GPU 能力,提供最大的灵活性和速度。本书指导读者以Pytorch为工具在Python中学习深层强化学习(DQN)。主要内容包括：强化学习概述及分类、强化学习的算法和实施方法、在Pytorch中实施深度规划与实现。、“实施深层强化学习DQN”、理解并实施新的深层强化学习方法（Double-DQN、Dueling Network、Prioritized Experience Replay、A3C、A2C）。 |
| 目录 |
| 译者序 前言 第1章 强化学习概述 1 1.1 机器学习的分类（监督学习、非监督学习、强化学习） 1 1.2 强化学习、深度强化学习的历史 6 1.3 深度强化学习的应用实例 11 参考文献 14 第2章 在走迷宫任务中实现强化学习 16 2.1 Try Jupyter的使用方法 16 2.2 迷宫和智能体的实现 23 2.3 策略迭代法的实现 31 2.4 价值迭代法的术语整理 41 2.5 Sarsa的实现 46 2.6 实现Q学习 52 参考文献 57 第3章 在倒立摆任务中实现强化学习 59 3.1 在本地PC上准备强化学习的实现和执行环境 59 3.2 倒立摆任务“CartPole” 64 3.3 由多变量连续值表示的状态的表格表示 69 3.4 Q学习的实现 72 参考文献 80 第4章 使用PyTorch实现深度学习 81 4.1 神经网络和深度学习的历史 81 4.2 深度学习的计算方法 89 4.3 使用PyTorch实现MNIST手写数字分类任务 94 参考文献 107 第5章 深度强化学习DQN的实现 108 5.1 深度强化学习DQN（深度Q网络）的说明 108 5.2 实现DQN的四个要点 111 5.3 实现DQN（上） 113 5.4 实现DQN（下） 123 参考文献 127 第6章 实现深度强化学习的改进版 128 6.1 深度强化学习算法发展图 128 6.2 DDQN的实现 132 6.3 Dueling Network的实现 141 6.4 优先经验回放的实现 145 6.5 A2C的实现 157 参考文献 168 第7章 在AWS GPU环境中实现消砖块游戏 169 7.1 消砖块游戏“Breakout”的描述 169 7.2 准备在AWS上使用GPU所需要的深度学习执行环境 174 7.3 学习Breakout的四个关键思想 187 7.4 A2C的实现（上） 193 7.5 A2C的实现（下） 203 参考文献 212 后记 214 |
有问题微信扫码联系