inverse reinforcement learning 方法與gan在影象生成中有什麼異曲同工之處?
答：在gan 中，我們有一些比較好的資料集，也有乙個generator，一開始他根本不知道要產生什麼樣的圖，只能隨機生成。另外我們有乙個discriminator，其用來給生成的圖打分，expert 生成的圖得分高，generator 生成的圖得分低。有了discriminator 以後，generator 會想辦法去騙過 discriminator。generator 會希望discriminator 也會給它生成得圖高分。整個 process 跟 irl 的過程是類似的。我們一一對應起來看：
a. 生成的圖就是 expert 的 demonstration，generator 就是actor，generator 會生成很多的圖並讓actor 與環境進行互動，從而產生很多 trajectory。這些 trajectory 跟環境互動的記錄等價於 gan 裡面的生成圖。
b. 在irl中 learn 的 reward function 就是 discriminator。rewards function 要給 expert 的 demonstration 高分，給 actor 互動的結果低分。
c. 考慮兩者的過程，在irl中，actor 會想辦法，從這個已經 learn 出來的 reward function 裡面得到高分，然後 iterative 地去迴圈這其實是與 gan 的過程是一致
的.
強化學習 強化學習基礎
為了應對車載網路中通訊環境快速變化的難題，可以使用強化學習進行解決，這裡對強化學習的基礎進行整理。主要的應用場景為車載網路中資源分配問題。本文源自莫煩python 強化學習章節，有需要請查閱原文 20200413補充了一些內容，來自這篇部落格，是李巨集毅的深度強化學習的筆記。強化學習的主要構成有 a...
強化學習 1 1 0 強化學習介紹
abstract 本文介紹reinforcement learning的具體特點和與其他機器學習演算法不同之處，本文是乙個骨架性的文章，所有專有名詞都保持英文原始單詞，具體內容會在後續中給出詳細解答。keywords reinforcement learning，situation，action，e...
強化學習系列1 強化學習簡介
2015年10月，alphago在和歐洲冠軍進行的圍棋賽上獲得了5 0的完勝，其後的深度強化學習也隨之火了起來。從本期開始開個新坑，一步步把強化學習的內容捋一遍。強化學習 reinforcement learning 是用來解決連續決策問題的一種方法。針對的模型是馬爾科夫決策過程 markov de...