reinforcement learning和deep learning的区别
发布网友
发布时间：2022-05-12 20:03
共2个回答
热心网友
时间：2023-01-25 07:13
reinforcement learning指的是增强学习。
deep learning指的是深入学习。
详细解释：
reinforcement
英[ˌri:ɪnˈfɔ:smənt] 美[ˌri:ɪnˈfɔ:rsmənt]
n. 加强; 增援; 补给品; 援军;
[例句]I am sure that this meeting will contribute to the reinforcement of peace and security all over the world.
我相信这次会议将会促进世界范围内的和平与安全。
deep 英[di:p] 美[dip]
adj. 深的; 深远的，深奥; 重大的，深刻的; 强烈的，痛切的，深厚的;
n. 深处，深渊;
adv. 深深地，深入地;
[例句]The water is very deep and mysterious-looking.
水看上去幽深叵测。
learning 英[ˈlɜ:nɪŋ] 美[ˈlɜ:rnɪŋ]
n. 学问，学术，知识;
v. 学习(learn的现在分词);
[例句]The brochure described the library as the focal point of learning on the campus.
这本小册子把图书馆形容为校园学习的中心。
热心网友
时间：2023-01-25 08:31
RL算是一种unsupervised learning，本身RL并不需要训练数据就可以解决MDP问题。你给迷宫终点放个奶酪，再弄几个死胡同，你让老鼠走N次，它最终就成了迷宫小能手（收敛到一个optimal Q-table），你把老鼠不管放到迷宫的哪里，它都能走出来（Q-table的作用）
DL是一种supervised learning（有些UL也可以深度化这里就不多说了），是需要喂训练样本的，个人感觉它更像是一种工具而不是算法，你多搭建几层NN它就变成了DNN了，训练数据经过DNN后和真实值进行比较从而用SGD等方法对网络权重进行训练。训练完了最后给你了一个训练好的黑盒子，你把猫的照片放进去，它告诉你这是只猫（是猫的概率有xx.xx%），你把狗照片放进去，它告诉你这是只狗，你把坦克照片放进去......（emmm可能你的训练数据里没坦克的图片，它就不认识了）
然鹅，deepmind的大佬告诉你，RL也可以深度化，DNN+Qlearning=DQN，原理就是用一个NN来代替Q-learning中的Q值迭代公式，这样你就不用存储一个Q-table了，而是得到一个训练好的网络，想算哪个状态下的Q，就算哪个状态下的Q。大佬们用这个深度化的Q-learning（当然还有各种算法上的改进，甚至包括对梯度下降的改进，并行化等等）玩起了Atari游戏机，然后下起了围棋并虐爆了李世石，后来又玩起了星际2（星际2依然需要视力#滑稽）并把mouz|MaNa这个神族职业玩家按在地上摩擦了5次，最后不忍心再虐他了找了个菜点的alphastar版本复盘了一回，终于让人类赢了一局。
