TadaoYamaoka https://blog.hatena.ne.jp/TadaoYamaoka/ TadaoYamaokaの開発日記 https://tadaoyamaoka.hatenablog.com/ 強化学習 Agent57 状態行動価値関数のパラメーター化 まず、「ランダムコイン」と呼ばれるミニマリズムグリッドワールド環境に対する状態行動価値関数のパラメーター化の影響を評価する。 これは、サイズが15×15の空の部屋で構成され、各エピソードの開始時にコインとエージェントがランダムに配置される。 エージェントは4つの可能な行動（上、下、左、右）をとることができ、エピソードは最大200ステップである。 エージェントがコインをまたぐと、1の報酬を受け取り、エピソードは終了する。 図5に、状態行動価値関数の新しいパラメーター化がある場合とない場合のNGUの結果を示す。 1億5000万フレーム後のパフォーマンスを報告する。… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Ftadaoyamaoka.hatenablog.com%2Fentry%2F2020%2F04%2F14%2F092236" title="Agent57: Outperforming the Atari Human Benchmarkを読む その５ - TadaoYamaokaの開発日記" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> https://chart.apis.google.com/chart?cht=tx&chl=%5Cbeta_j%3D0 Hatena Blog https://hatena.blog 2020-04-14 09:22:36 rich https://tadaoyamaoka.hatenablog.com/entry/2020/04/14/092236 1.0 100%