第2回 今更だけど基礎から強化学習を勉強する ディープラーニング編(Q学習、方策勾配法/REINFORCE、A3C/A2C) - Qiita

今回は基本的にモデルフリーの環境が前提となります。 モデルベースについてはいつかやるかも? 第1回 基礎編(動的計画法、Q学習、SARSA、Actor Critic) 第3回 価値推定編(TD法、モンテカルロ法、GAE) ※ネット上の情報をかき集めて自分なりに実装しているので正確ではない可能性がある点はご注意ください ディープラーニングに使うライブラリですが、Tensowflow2.0(+Keras)を使います。 Tensowflow2.0から公式でKerasが取り入れられたようでそちらを使っていきます。 コード全体 本記事で作成したコードは以下です。 GoogleColaboratory 環境 OpenAI gym で提供されている CartPole-v0 を使用します。 台座を右か左に動かして棒を立たせ続けるゲームです。 棒がある一定以上傾いたり、画面外に行くと終了します。 報酬は常に