返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 边做边学深度强化学习 PyTorch程序设计实践 (日)小川雄太郎 著 申富饶,于僡 译 专业科技 文轩网
  • 新华书店正版
    • 作者: [日] 小川雄太郎(Yutaro ogawa)著 | | 申富饶 于僡 译译
    • 出版社: 机械工业出版社
    • 出版时间:2020-04-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: [日] 小川雄太郎(Yutaro ogawa)著| 申富饶 于僡 译译
    • 出版社:机械工业出版社
    • 出版时间:2020-04-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2020-04-01
    • 字数:180
    • 页数:228
    • 开本:16开
    • 装帧:平装
    • ISBN:9787111650140
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    边做边学深度强化学习 PyTorch程序设计实践

    作  者:(日)小川雄太郎 著 申富饶,于僡 译
    定  价:69
    出 版 社:机械工业出版社
    出版日期:2020年04月01日
    页  数:215
    装  帧:平装
    ISBN:9787111650140
    主编推荐

    内容简介

    Pytorch是基于python且具备强大GPU加速的张量和动态神经网络,更是Python中优先的深度学习框架,它使用强大的GPU能力,提供优选的灵活性和速度。本书指导读者以Pytorch为工具在Python中学习深层强化学习(DQN)。主要内容包括:强化学习概述及分类、强化学习的算法和实施方法、在Pytorch中实施深度规划与实现。“实施深层强化学习DQN”、理解并实施新的深层强化学习方法(Double-DQN、Dueling Network、Prioritized Experience Replay、A3C、A2C)。

    作者简介

    精彩内容

    目录
    译者序
    前言
    第1章 强化学习概述1
    1.1 机器学习的分类(监督学习、非监督学习、强化学习)1
    1.2 强化学习、深度强化学习的历史6
    1.3 深度强化学习的应用实例11
    参考文献14
    第2章 在走迷宫任务中实现强化学习16
    2.1 Try Jupyter的使用方法16
    2.2 迷宫和智能体的实现23
    2.3 策略迭代法的实现31
    2.4 价值迭代法的术语整理41
    2.5 Sarsa的实现46
    2.6 实现Q学习52
    参考文献57
    第3章 在倒立摆任务中实现强化学习59
    3.1 在本地PC上准备强化学习的实现和执行环境59
    3.2 倒立摆任务“CartPole”64
    3.3 由多变量连续值表示的状态的表格表示69
    3.4 Q学习的实现72
    参考文献80
    第4章 使用PyTorch实现深度学习81
    4.1 神经网络和深度学习的历史81
    4.2 深度学习的计算方法89
    4.3 使用PyTorch实现MNIST手写数字分类任务94
    参考文献107
    第5章 深度强化学习DQN的实现108
    5.1 深度强化学习DQN(深度Q网络)的说明108
    5.2 实现DQN的四个要点111
    5.3 实现DQN(上) 113
    5.4 实现DQN(下) 123
    参考文献127
    第6章 实现深度强化学习的改进版128
    6.1 深度强化学习算法发展图128
    6.2 DDQN的实现132
    6.3 Dueling Network的实现141
    6.4 优先经验回放的实现145
    6.5 A2C的实现157
    参考文献168
    第7章 在AWS GPU环境中实现消砖块游戏169
    7.1 消砖块游戏“Breakout”的描述169
    7.2 准备在AWS上使用GPU所需要的深度学习执行环境174
    7.3 学习Breakout的四个关键思想187
    7.4 A2C的实现(上) 193
    7.5 A2C的实现(下) 203
    参考文献212
    后记214

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购