Как можно использовать нейронные сети для целей поиска транспортных средств?

Question

Я очень новичок в нейронных сетях. Я сделал некоторое чтение и внедрил персептрон, следуя примеру в this book. Результат можно посмотреть на aronadler.com/neural-net. Это простой персептрон, который узнает, находится ли данная точка выше или ниже линии. Он написан на JavaScript и PaperJS для холста.

Однако я хотел бы принять это дальше. Я создал simple game in paperjs, где у вас есть транспортное средство, которым можно управлять рулевым управлением с помощью клавиш со стрелками влево и вправо, и тягу, применяемую с помощью клавиши со стрелкой вверх. Цель состоит в том, чтобы поразить все красные целевые круги и превратить их в синие.

Я хочу создать нейронную сеть, чтобы управлять этим транспортным средством, чтобы поразить все цели, но я не знаю, с чего начать. Какая архитектура сети подходит для такого рода проблем? Входом будет местоположение, угол поворота и скорость транспортного средства, а также местоположения целей.

Answer 1

Я считаю, что вам следует больше узнать о том, как модели нейронной сети используются и обучаются, подходящие для проблем обучения обучению. В двух словах целью обучения усилению является изучение модели, которая максимизирует функцию фитнеса (например, какой-то счет в игре). Использование нейронных сетей, используемых для таких проблем, обычно имеет выходы, соответствующие клавишам на клавиатуре (или вообще какой-то входной сигнал для машины). Для вашей проблемы выходы снова являются клавишами, которые нужно нажать, а функция фитнеса - это оценка, которую получает автомобиль, поражая цели.

Предлагаю вам посмотреть this post и посмотреть видео, которые я разместил там, чтобы лучше понять, как эти модели обучаются и используются, и выяснить, как вы должны использовать нейронные сети для своей проблемы.

Кроме того, вы можете посмотреть этот недавний документ, опубликованный в Природа на Deep Q Networks.

Ссылки

• Human-level control through deep reinforcement learning
• Reinforcement Learning
• Q-Learning