Sinanay ng OpenAI ang agent gamit ang isang human demonstration at nakakuha ng 74500 puntos sa Montezuma's Revenge
Orihinal na pamagat:Learning Montezuma’s Revenge from a single demonstration
AI summary
Ang agent na sinanay ng OpenAI, simula lamang sa isang human demonstration, ay nakakuha ng mataas na 74500 puntos sa Montezuma's Revenge, na lumampas sa naunang nailathalang pinakamahusay na resulta. Ang algorithm ay nagsisimula sa mga maingat na piniling estado mula sa demonstration at patuloy na naglalaro, gumagamit ng PPO upang i-optimize ang iskor sa laro para matuto; ang PPO rin ang parehong reinforcement learning algorithm na sumuporta sa OpenAI Five.
Mahahalagang impormasyon
- Ang agent na sinanay ng OpenAI,simula lamang sa isang human demonstration,ay nakakuha ng mataas na…
- Ang algorithm ay nagsisimula sa mga maingat na piniling estado mula sa demonstration at patuloy na…
- ang PPO rin ang parehong reinforcement learning algorithm na sumuporta sa OpenAI Five.
Mabilisang tingin
- Na-publish noong
- Na-update noong
- Pinagmulan
- OpenAI:官网动态(RSS · 排除企业/客户案例)
- Kategorya
- Mga Papel at Pananaliksik
- AI na marka
- 66
原文说明从单条人类演示中选取起始状态再用 PPO 优化得分的算法思路,读者可以理解这一强化学习方法的可迁移做法。
Kaugnay na Entity
Pinagmulan at copyright
Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.
Paano banggitin
Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.
Orange News: Sinanay ng OpenAI ang agent gamit ang isang human demonstration at nakakuha ng 74500 puntos sa Montezuma's Revenge. 4 Hulyo 2018. https://new.nat6.net/fil/news/h6mlstx26g1p8egfntspy49mp/