Reinforcement Learning Toolbox

Reinforcement Learning Toolbox, DQN, A2C ve DDPG dahil güçlendirme öğrenme algoritmalarını kullanarak eğitim politikaları için işlevler ve bloklar sağlar. Bu politikaları, robotlar ve otonom sistemler gibi karmaşık sistemler için kontrolörler ve karar verme algoritmaları uygulamak için kullanabilirsiniz. Politikaları derin sinir ağları, polinomlar veya arama tabloları kullanarak uygulayabilirsiniz.

Araç kutusu, MATLAB veya Simulink modelleri tarafından temsil edilen ortamlarla etkileşime girmelerini sağlayarak politikaları eğitmenizi sağlar. Algoritmaları değerlendirebilir, hiperparametre ayarlarıyla deneme yapabilir ve eğitimin ilerlemesini izleyebilirsiniz. Eğitim performansını iyileştirmek için, bulut üzerinde, bilgisayar kümelerinde ve GPU’larda paralel olarak simülasyonlar çalıştırabilirsiniz (Paralel Hesaplama Araç Kutusu ve MATLAB Parallel Server ile).

ONNX model formatı sayesinde mevcut politikalar, TensorFlow Keras ve PyTorch (Deep Learning Toolbox ile) gibi derin öğrenme çerçevelerinden alınabilir. Mikrodenetleyiciler ve GPU’larda eğitimli politikalar uygulamak için optimize edilmiş C, C ++ ve CUDA kodu oluşturabilirsiniz.
Araç kutusu, robotik ve otomatik sürüş uygulamaları için kontrolör tasarımı için güçlendirme öğreniminin kullanılması için referans örnekleri içerir.