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, derin sinir ağları veya arama tabloları kullanarak ilkeleri ve değer fonksiyonlarını temsil etmenize ve bunları MATLAB® veya Simulink’te modellenen ortamlarla etkileşimler aracılığıyla eğitmenize olanak tanır. Araç kutusunda sağlanan tek veya çok aracılı pekiştirmeli öğrenme algoritmalarını değerlendirebilir veya kendinizinkini geliştirebilirsiniz. Hiperparametre ayarlarıyla deneyler yapabilir, eğitimin ilerlemesini izleyebilir ve eğitimli aracıları uygulama üzerinden etkileşimli olarak veya programlı olarak simüle edebilirsiniz. Eğitim performansını artırmak için simülasyonlar birden fazla CPU, GPU, bilgisayar kümesi ve bulutta (Parallel Computing Toolbox™ ve MATLAB Parallel Server™ ile) paralel olarak çalıştırılabilir.
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.
