Indholdsfortegnelse:
Definition - Hvad betyder Deep Q-Networks?
Deep Q Networks (DQN) er neurale netværk (og / eller beslægtede værktøjer), der bruger dyb Q-læring for at tilvejebringe modeller såsom simulering af intelligent videospil. I stedet for at være et specifikt navn på et specifikt neuralt netværksopbygning, kan Deep Q Networks være sammensat af indviklede neurale netværk og andre strukturer, der bruger specifikke metoder til at lære om forskellige processer.
Techopedia forklarer Deep Q-Networks
Metoden til dyb Q-læring bruger typisk noget, der kaldes generel politisk iteration, beskrevet som sammenhængen med evaluering af politik og iteration af politikker, til at lære politik fra højdimensionel sensorisk input.
For eksempel tager en almindelig type dybt Q-netværk, der er dækket af tech-publikationer som Medium, sensorisk input fra Atari 2600 videospil til modelresultater. Dette gøres på et meget grundlæggende niveau ved at samle prøver, opbevare dem og bruge dem til afspilning af erfaringer for at opdatere Q-netværket.
Generelt træner dybe Q-netværk på input, der repræsenterer aktive spillere i områder eller andre erfarne prøver og lærer at matche disse data med de ønskede output. Dette er en kraftfuld metode til udvikling af kunstig intelligens, der kan spille spil som skak på et højt niveau eller udføre andre kognitive aktiviteter på højt niveau - Atari- eller skak-videospilseksemplet er også et godt eksempel på, hvordan AI bruger typer grænseflader, der traditionelt blev brugt af menneskelige agenter.
Med dyb Q-indlæring bliver AI-spilleren med andre ord mere ligesom en menneskelig spiller i at lære at opnå de ønskede resultater.
