深度学习

dqn_强化学习DQN_

深度强化学习编程，具体的算法主要涉及到Experience Replay，即经验池。

深度强化学习DQN（DeepQNetwork）原理及例子：如何解决迷宫问题，附源码 深度学习原理.pdf

深度强化学习DQN（DeepQNetwork）原理及例子：如何解决迷宫问题，附源码 深度学习原理.pdf

深度强化学习理论及其应用综述.pdf

深度强化学习理论及其应用综述.pdf

Deep Reinforcement Learning深度强化学习

Deep Reinforcement Learning深度强化学习Deep Reinforcement Learning, 2017

深度强化学习综述

深度强化学习综述,阐述近些年来深度学习方法的脉络，发展和概况，有助于读者快速了解深度强化学习整体概况

《深度强化学习实战》随书代码

【《深度强化学习实战》随书代码】’Code from the Deep Reinforcement Learning in Action book from Manning, Inc'

深度学习之强化学习.zip

压缩文档中包括两个文档，其中一个是对机器学习算法的理解，本人感觉还是不错的，而另外一本是强化学习，是本人现在的研究方向所使用的方法，这两本资料希望对你有帮助

DQN最短路径算法，MATLAB实现，含界面，可运行！

DQN找最短路径算法，MATLAB实现，含界面，可运行！

深度强化学习DQN算法源码【Pytorch实现·超详细注释】

基于Pytorch实现的深度强化学习DQN算法源代码，具有超详细的注释，已经在诸多项目中得到了实际应用。主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。

dqn走迷宫matlab-深度强化学习DQN（DeepQNetwork）原理及例子：如何解。。。 深度学习原理.pdf

dqn走迷宫matlab-深度强化学习DQN（DeepQNetwork）原理及例子：如何解。。。 深度学习原理.pdf

深度强化学习简述

Deep reinforcement learning is poised to revolutionise the field of AI and represents a step towards building autonomous systems with a higher level understanding of the visual world. Currently, deep learning is enabling reinforcement learning to scale to problems that were previously intractable, such as learning to play video games directly from pixels. Deep reinforcement learning algorithms are also applied to robotics, allowing control policies for robots to be learned directly from camera inputs in the real world. In this survey, we begin with an introduction to the general field of reinforcement learning, then progress to the main streams of value-based and policybased methods. Our survey will cover central algorithms in deep reinforcement learning, including the deep Q-network, trust region policy optimisation, and asynchronous advantage actor-critic. In parallel, we highlight the unique advantages of deep neural networks, focusing on visual understanding via reinforcement learning. To conclude, we describe several current areas of research within the field.

DQN

DQN和DUEN DQN算法的实现 这两种算法都是在开放式健身房的更严寒的环境中执行的。 在FROGGER-v0环境中实施DQN，在FROGGER-v1环境中实施DQN

深度强化学习 DQN系列论文

深度强化学习系列论文，包括最基础的DQN，DQN模型改进，DQN算法改进，分层DRL，基于策略梯度的深度强化学习等等，论文基本源自顶会

DQN实战-附件资源

DQN实战-附件资源

详细分析莫烦DQN代码

详细分析莫烦DQN代码 Python入门，莫烦是很好的选择，快去b站搜视频吧！ 作为一只渣渣白，去看了莫烦的强化学习入门， 现在来回忆总结下DQN，作为笔记记录下来。 主要是对代码做了详细注释 DQN有两个网络，一个eval网络，一个target网络，两个网络结构相同，只是target网络的参数在一段时间后会被eval网络更新。 maze_env.py是环境文件，建立的是一个陷阱游戏的环境，就不用细分析了。 RL_brain.py是建立网络结构的文件： 在类DeepQNetwork中，有五个函数： n_actions 是动作空间数，环境中上下左右所以是4，n_features是状态特征数，根据

深度强化学习.rar

深度强化学习课程的高清课间资源，对于学习深度学习以及强化学习理论的研究人士很有帮助

深度强化学习——DQN

本文来自于csdn，本文章主要介绍了深度学习与强化学习结合起来从而实现从感知（Perception）到动作（Action）的端对端（End-to-end）学习的一种全新的算法。原因：在普通的Q-learning中，当状态和动作空间是离散且维数不高时可使用Q-Table储存每个状态动作对的Q值，而当状态和动作空间是高维连续时，使用Q-Table不现实。通常做法是把Q-Table的更新问题变成一个函数拟合问题，相近的状态得到相近的输出动作。如下式，通过更新参数θθ使Q函数逼近最优Q值而深度神经网络可以自动提取复杂特征，因此，面对高维且连续的状态使用深度神经网络最合适不过了。DRL是将深度学习（DL

CNN_with_CAES_and_DQN:卷积神经网络的组合，其中卷积自动编码器（堆叠式）与深度 Q 网络相结合。 C++代码基于tiny_cnn

CNN_with_CAES_and_DQN 卷积神经网络的组合，其中卷积自动编码器（堆叠式）与深度 Q 网络相结合。 C++代码基于tiny_cnn

基于改进深度强化学习的智能微电网群控制优化方法.pdf

基于改进深度强化学习的智能微电网群控制优化方法.pdf

基于强化学习的综合能源系统管理综述

为了满足日益增长的能源需求并减少对环境的破坏, 节能成为全球经济和社会发展的一项长远战略方针, 加强能源管理能够提高能源利用效率、促进节能减排. 然而, 可再生能源和柔性负载的接入使得综合能源系统(Integrated energy system, IES)发展成为具有高度不确定性的复杂动态系统, 给现代化能源管理带来巨大的挑战. 强化学习(Reinforcement learning, RL)作为一种典型的交互试错型学习方法, 适用于求解具有不确定性的复杂动态系统优化问题, 因此在综合能源系统管理问题中得到广泛关注. 从模型和算法的层面系统地回顾了利用强化学习求解综合能源系统管理问题的现有研究成果, 并从多时间尺度特性、可解释性、迁移性和信息安全性4个方面提出展望.

深度强化学习DQN训练Flappy bird源代码

深度强化学习DQN训练Flappy Bird源代码，可以直接运行FlappyBirdDQN.py使用。

chap-深度强化学习.pdf

由于卷积神经网络对图像处理拥有天然的优势，将卷积神经网络与强化学习结合处理图像数据的感知决策任务成了很多学者的研究方向。 深度Q网络是深度强化学习领域的开创性工作。它采用时间上相邻的4帧游戏画面作为原始图像输入，经过深度卷积神经网络和全连接神经网络，输出状态动作Q函数，实现了端到端的学习控制。

强化学习代码，2016版，matlab

和大家分享一下，这是2016版的代码，变量名不是特别友好但是可以用来借鉴学习，希望能够有帮助。

matlab神经网络43个案例（源代码）

短期学习，即可应用于数据处理，模型建立。在文章发表过程中发挥重要作用

Duling DQN

基于Tensorflow实现的深度强化学习算法（Dueling DQN），python3.0及以上，依赖库：Gym、Numpy、Tensorflow

强化学习matlab源代码

强化学习matlab源代码很少见的源代码，详细介绍Q学习的编程过程。

强化学习matlab代码

关于迷宫类的强化学习（Q-learning）matlab完整代码

YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数

本资源纯属免费，不收任何钱和任何积分，纯粹为爱发电，本资源已经为大家整合好了的，看我的博客部署好直接用：https://blog.csdn.net/Little_Carter/article/details/133610076?spm=1001.2014.3001.5501 资源原本项目源码地址：https://github.com/MuhammadMoinFaisal/YOLOv8-DeepSORT-Object-Tracking 本资源提供了基于YOLOv8-deepsort算法的智能车辆目标检测、车辆跟踪和车辆计数的实现方案。首先，利用YOLOv8算法对视频中的车辆目标进行检测，并对检测到的目标进行标记。然后，通过deepsort算法对标记的车辆目标进行跟踪，实现车辆目标的持续跟踪。最后，根据跟踪结果对车辆数量进行统计，实现车辆计数功能。本资源提供了完整的代码实现和详细的使用说明，帮助读者快速掌握基于YOLOv8-deepsort的智能车辆目标检测、车辆跟踪和车辆计数技术。

YOLOV5 + 双目相机实现三维测距（新版本）

YOLOV5 + 双目相机实现三维测距（新版本）

yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt

yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt，需要创建的文件夹都以创建，方便大家不用再去GitHub下载 可以搭配该博客：https://blog.csdn.net/weixin_43366149/article/details/132206526?spm=1001.2014.3001.5501