深度強化學習實戰(zhàn)：用OpenAI Gym構(gòu)建智能體

定　價：￥69.80

作　者：	普拉文·巴拉尼沙米
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥52.30)

ISBN：	9787115561596	出版時間：	2023-06-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　這是一本介紹用 OpenAI Gym 構(gòu)建智能體的實戰(zhàn)指南。全書先簡要介紹智能體和學習環(huán)境的一些入門知識，概述強化學習和深度強化學習的基本概念和知識點，然后重點介紹 OpenAI Gym 的相關(guān)內(nèi)容，隨后在具體的 Gym 環(huán)境中運用強化學習算法構(gòu)建智能體。本書還探討了這些算法在游戲、自動駕駛領(lǐng)域的應用。本書適合想用 OpenAI Gym 構(gòu)建智能體的讀者閱讀，也適合對強化學習和深度強化學習感興趣的讀者參考。讀者應具備一定的 Python 編程基礎(chǔ)。

作者簡介

暫缺《深度強化學習實戰(zhàn)：用OpenAI Gym構(gòu)建智能體》作者簡介

圖書目錄

第 1章智能體與學習環(huán)境入門 1
1．1 智能體簡介 1
1．2 學習環(huán)境 2
1．3 OpenAI Gym簡介 3
1．4 理解OpenAI Gym的主要特性 8
1．4．1 簡單的環(huán)境接口 8
1．4．2 可比較與可復現(xiàn) 8
1．4．3 進程可監(jiān)控 9
1．5 OpenAI Gym工具包的作用 9
1．6 創(chuàng)建第一個OpenAI Gym環(huán)境 9
1．7 小結(jié) 11
第 2章強化學習和深度強化學習 12
2．1 強化學習簡介 12
2．2 直觀理解人工智能的含義和內(nèi)容 13
2．2．1 監(jiān)督學習 13
2．2．2 非監(jiān)督學習 14
2．2．3 強化學習 14
2．3 強化學習實戰(zhàn) 14
2．3．1 智能體 15
2．3．2 獎勵 15
2．3．3 環(huán)境 15
2．3．4 狀態(tài) 16
2．3．5 模型 17
2．3．6 值函數(shù) 17
2．3．7 策略 18
2．4 馬爾可夫決策過程 18
2．5 動態(tài)規(guī)劃 19
2．6 蒙特卡洛學習和時序差分學習 19
2．7 SARSA和Q-Learning 20
2．8 深度強化學習 21
2．9 強化學習和深度強化學習算法的實踐應用 22
2．10 小結(jié) 23
第3章開啟OpenAI Gym和深度強化學習之旅 24
3．1 代碼庫、設(shè)置和配置 24
3．1．1 先決條件 25
3．1．2 創(chuàng)建conda環(huán)境 26
3．1．3 最小化安裝—快捷簡便的方法 27
3．1．4 完整安裝OpenAI Gym學習環(huán)境 28
3．2 安裝深度強化學習所需的工具和庫 32
3．2．1 安裝必*的系統(tǒng)軟件包 32
3．2．2 安裝CUDA 33
3．2．3 安裝PyTorch 34
3．3 小結(jié) 35
第4章探索Gym及其功能 36
4．1 探索環(huán)境列表和術(shù)語 36
4．1．1 術(shù)語 37
4．1．2 探索Gym環(huán)境 38
4．2 理解Gym接口 40
4．3 Gym中的空間 43
4．4 小結(jié) 47
第5章實現(xiàn)第一個智能體—解決過山車問題 48
5．1 了解過山車問題 48
5．2 從零開始實現(xiàn)Q-Learning智能體 50
5．2．1 Q-Learning回顧 53
5．2．2 使用Python和NumPy實現(xiàn)Q-Learning智能體 53
5．3 在Gym中訓練強化學習智能體 58
5．4 測試并記錄智能體的性能 58
5．5 一個簡單且完整的Q-Learner實現(xiàn)—過山車問題的解決方案 59
5．6 小結(jié) 63
第6章用深度Q-Learning實現(xiàn)最優(yōu)化控制智能體 64
6．1 優(yōu)化Q-Learning智能體 65
6．1．1 用神經(jīng)網(wǎng)絡(luò)近似Q函數(shù) 65
6．1．2 經(jīng)驗回放 71
6．1．3 重溫ε-貪婪動作策略 74
6．2 實現(xiàn)一個深度Q-Learning智能體 76
6．2．1 用PyTorch實現(xiàn)一個深度卷積Q網(wǎng)絡(luò) 77
6．2．2 使用目標Q網(wǎng)絡(luò)穩(wěn)定智能體的學習 78
6．2．3 記錄和可視化智能體的學習過程 79
6．2．4 管理超參數(shù)和配置參數(shù) 81
6．2．5 用完整的深度Q-Learner處理輸入為原始像素的復雜問題 83
6．3 Atari Gym環(huán)境 89
6．4 訓練深度Q-Learner玩Atari游戲 98
6．4．1 整合一個完整的深度Q-Learner 98
6．4．2 超參數(shù) 101
6．4．3 啟動訓練過程 102
6．4．4 在Atari游戲中測試深度Q-Learner的性能 103
6．5 小結(jié) 104
第7章創(chuàng)建自定義OpenAI Gym環(huán)境—CARLA 105
7．1 理解Gym環(huán)境結(jié)構(gòu) 105
7．1．1 為自定義Gym環(huán)境實現(xiàn)創(chuàng)建模板 106
7．1．2 在OpenAI Gym環(huán)境中注冊自定義環(huán)境 108
7．2 創(chuàng)建與OpenAI Gym兼容的CARLA環(huán)境 108
7．2．1 配置和初始化 110
7．2．2 實現(xiàn)reset方法 111
7．2．3 為CARLA環(huán)境實現(xiàn)step函數(shù) 115
7．2．4 測試CARLA Gym環(huán)境 120
7．3 小結(jié) 122
第8章用深度演員-評論家算法實現(xiàn)無人駕駛智能體 123
8．1 深度n步優(yōu)勢演員-評論家算法 123
8．1．1 策略梯度 124
8．1．2 演員-評論家算法 126
8．1．3 優(yōu)勢演員-評論家算法 127
8．1．4 n步優(yōu)勢演員-評論家算法 129
8．1．5 深度n步優(yōu)勢演員-評論家算法 132
8．2 實現(xiàn)深度n步優(yōu)勢演員-評論家智能體 133
8．2．1 初始化演員和評論家網(wǎng)絡(luò) 133
8．2．2 用當前策略獲取n步經(jīng)驗 137
8．2．3 計算演員和評論家的損失 137
8．2．4 更新演員-評論家模型 139
8．2．5 用于保存/加載、記錄、可視化和監(jiān)視的工具 139
8．2．6 擴展——異步深度n步優(yōu)勢演員-評論家 139
8．3 訓練一個“聰明”的自動駕駛智能體 140
8．3．1 訓練和測試深度n步優(yōu)勢演員-評論家智能體 140
8．3．2 訓練智能體在CARLA中駕駛車輛 143
8．4 小結(jié) 144
第9章探索學習環(huán)境全景——Roboschool、Gym Retro、StarCraft-Ⅱ和DeepMind Lab 145
9．1 Gym接口兼容的環(huán)境 146
9．1．1 Roboschool 146
9．1．2 Gym Retro 150
9．2 其他基于Python的開源學習環(huán)境 153
9．2．1 星際爭霸Ⅱ—PySC2 153
9．2．2 DeepMind Lab 156
9．3 小結(jié) 160
第 10章探索學習算法世界——DDPG（演員-評論家）、PPO （策略梯度）、Rainbow（基于值） 161
10．1 深度確定性策略梯度 162
10．2 近端策略優(yōu)化 163
10．3 Rainbow 165
10．3．1 核心概念 165
10．3．2 優(yōu)點及應用簡要總結(jié) 169
10．4 小結(jié) 170