การฝึกอบรมเชิงโต้ตอบ

สอนโมเดลให้มองเห็นรูปแบบ

ปรับสูตรการเรียนรู้ เรียกใช้การจำลอง และดูขอบเขตการตัดสินใจเรียนรู้แบบเรียลไทม์

สถานะปัจจุบัน Ready to run เริ่มต้นน้ำหนักแล้ว

ชุดข้อมูล

โมเดล

อัตราการเรียนรู้ (Learning rate)0.08

ขนาดกลุ่ม (Batch size)16

ขั้นตอน เริ่มการฝึกอบรม

รอบ (EPOCH)0ยังไม่ได้เริ่ม

การสูญเสีย (LOSS)—Awaiting first pass

ความแม่นยำ—Awaiting first pass

ความมั่นใจ—ความแรงของสัญญาณโมเดล

มุมมองโมเดลสด

ขอบเขตการตัดสินใจ

คลาส Aคลาส B

วางเมาส์ / แตะเพื่อตรวจสอบMove over the mapx 0.00 · y 0.00

กด Run เพื่อเริ่มการเรียนรู้

ขอบเขตอัปเดตหลังจากทุกชุดข้อมูล32 samples

สัญญาณการฝึกฝน

การสูญเสียเมื่อเวลาผ่านไป

—

เริ่มต้นรอบ (epoch)ปัจจุบัน

↘

สิ่งที่ควรสังเกต

เรียกใช้สักสองสามรอบเพื่อดูโมเดลแยกคลาสต่างๆ

กายวิภาคของโมเดล

กิจกรรมเครือข่าย

2 layers

การเปิดใช้งานต่ำการเปิดใช้งานสูงน้ำหนักเชิงบวกน้ำหนักเชิงลบ

คอนโซลการทำงาน

บันทึกการฝึกฝน

ล้าง

ห้องปฏิบัติการเรียนรู้ของเอเจนต์

สอนเอเจนต์ให้ไปถึงบีคอน

ดูนโยบายเล็กๆ เรียนรู้จากรางวัล สำรวจสิ่งกีดขวาง และทำเส้นทางให้สำเร็จทีละการตัดสินใจ

สถานะภารกิจ

งาน

การสำรวจ24%

ความเร็วในการเรียกใช้

ก้าวเอเจนต์ รีเซ็ตภารกิจ

ตอน—การเรียนรู้ปัจจุบัน

รางวัล—ผลตอบแทนต่อก้าว

ก้าว—ความยาวเส้นทาง

อัตราความสำเร็จ0%

พื้นที่สถานะ + นโยบาย

ฟิลด์การนำทางที่เรียนรู้

นโยบาย Q

ตัวตรวจสอบสถานะ

นโยบายที่เรียนรู้ เส้นทางของเอเจนต์ สิ่งกีดขวาง บีคอนเป้าหมาย

ลูกศรแสดงการกระทำที่มีค่าสูงสุดสำหรับแต่ละสถานะ เลื่อนเมาส์หรือแตะที่เซลล์เพื่อตรวจสอบค่า Q-values ของมัน

สัญญาณการเรียนรู้แบบเสริมกำลัง

รางวัลในแต่ละตอน

—

เริ่มตอนตอนนี้

↗

สิ่งที่ควรดู

ตัวตรวจสอบค่า Q

สถานะที่เลือก

↑ขึ้น0.00

→ขวา0.00

↓ลง0.00

←ซ้าย0.00

ค่า Q จะประมาณการผลตอบแทนในอนาคตของการดำเนินการจากสถานะนี้