用强化学习训练神经网络
我知道前馈神经网络的基本知识，以及如何使用反向传播算法对其进行训练，但我正在寻找一种算法，以便使用强化学习在线训练神经网络。
例如，我想用人工神经网络解决手推车杆摆动问题。在这种情况下，我不知道应该怎么控制钟摆，我只知道我离理想位置有多近。我需要让安在奖惩的基础上学习。因此，监督学习不是一种选择。
另一种情况类似于蛇游戏，反馈被延迟，并且仅限于进球和反进球，而不是奖励。
我可以为第一种情况想出一些算法，比如爬山算法或遗传算法，但我猜它们都会很慢。它们可能也适用于第二种情况，但速度非常慢，不利于在线学习。
我的问题很简单：有没有一个简单的算法来训练强化学习的人工神经网络？我主要对实时奖励情况感兴趣，但如果有针对基于目标的情况的算法，那就更好了。
共有2个答案
如果导致奖励r的输出被反向传播到网络r次，您将与奖励成比例地加强网络。这不直接适用于负奖励，但我可以想到两种会产生不同效果的解决方案：
1）如果您有一组rmin-rmax范围内的奖励，请将它们重新调整为0-（rmax-rmin），以便它们都是非负的。奖励越大，创建的强化越强。
2） 对于负奖励，只要与导致负奖励的输出不同，就将随机输出反向传播次数。这不仅会加强理想的产出，而且会扩散或避免不良产出。
有一些关于该主题的研究论文：
- 通过进化的神经网络拓扑进行高效的强化学习（2002）
- 使用神经网络的强化学习及其在电机控制中的应用
- 强化学习神经网络解决自主移动机器人避障问题
还有一些代码：
- 神经网络强化学习的代码示例
这些只是该主题的一些热门谷歌搜索结果。前几篇论文看起来不错，尽管我没有亲自阅读过。我想如果你在谷歌学术上快速搜索，你会找到更多关于强化学习神经网络的信息。
-
我计划编写一个国际象棋引擎，它使用深度卷积神经网络来评估国际象棋的位置。我将使用位板来表示棋盘状态，这意味着输入层应该有12*64个神经元用于位置，1个用于玩家移动（0表示黑色，1表示白色）和4个神经元用于铸币权（wks、bks、wqs、bqs）。将有两个隐藏层，每个层有515个神经元，一个输出神经元的值介于-1表示黑色获胜，1表示白色获胜，0表示相等的位置。所有神经元都将使用tanh（）激活函数
-
我有一个关于卷积神经网络（）训练的问题。 我成功地使用tensorflow训练了一个网络，它获取一个输入图像（1600像素），然后输出三个匹配的类中的一个。 使用不同的培训课程测试网络，效果良好。然而当我给它一个不同的第四个图像（不包含任何经过训练的3个图像）时，它总是返回一个随机匹配到其中一个类。 我的问题是，如何训练网络来分类图像不属于这三个训练图像中的任何一个？类似的例子是，如果我针对mni
-
在本章中，我们将了解可以使用TensorFlow框架实现的神经网络训练的各个方面。 以下几个建议，可以评估 - 1. 反向传播 反向传播是计算偏导数的简单方法，其中包括最适合神经网络的基本形式的合成。 2. 随机梯度下降 在随机梯度下降中，批处理是示例的总数，用户用于在单次迭代中计算梯度。到目前为止，假设批处理已经是整个数据集。最好的例子是谷歌规模; 数据集通常包含数十亿甚至数千亿个示例。 3.
-
本文向大家介绍tensorflow学习笔记之简单的神经网络训练和测试，包括了tensorflow学习笔记之简单的神经网络训练和测试的使用技巧和注意事项，需要的朋友参考一下 本文实例为大家分享了用简单的神经网络来训练和测试的具体代码，供大家参考，具体内容如下 刚开始学习tf时，我们从简单的地方开始。卷积神经网络（CNN）是由简单的神经网络（NN）发展而来的，因此，我们的第一个例子，就从神经网络开始。
-
官方的游戏示例 webcam-transfer-learning，建议玩一玩，是基于 MobileNet 的一个迁移学习的例子。 Transfer learning - Train a neural network to predict from webcam data Before we begin, we highly recommend playing with the demo. Try
-
第 10 章介绍了人工神经网络，并训练了第一个深度神经网络。 但它非常浅，只有两个隐藏层。 如果你需要解决非常复杂的问题，例如检测高分辨率图像中的数百种类型的对象，该怎么办？ 你可能需要训练更深的 DNN，也许有 10 层或更多，每层包含数百个神经元，通过数十万个连接相连。 这可不像公园散步那么简单，可能碰到下面这些问题： 你将面临棘手的梯度消失问题（或相关的梯度爆炸问题）：在反向传播过程中，梯度