Kaixhin/Atari

Recurrent Dqn

Open

#8 geöffnet am 21. Apr. 2016

Auf GitHub ansehen
 (31 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Lua (72 Forks)github user discovery
enhancementhelp wanted

Repository-Metriken

Stars
 (263 Stars)
PR-Merge-Metriken
 (Keine gemergten PRs in 30 T)

Beschreibung

One central element of the Atari DQN is the use of 4 consecutive frames as input making the state more Markov, ie. having the vital dynamic movement information. This paper http://arxiv.org/abs/1507.06527v3 discusses DRQN: the multiframe input can be substituted with LSTM with the same effect (but no systematic advantage for one or the other). Also the Deepmind async paper mentions using LSTM instead of multi frame inputs for more challenging visual domains (Torcs and Labyrinth).

I think this would fit well in this codebase, I'll try to contribute this at one point.

Contributor Guide

Research-Richtung
Implementieren Sie eine rekurrente neuronale Netzwerkschicht (LSTM) in der DQN Architektur, um Einzelbild Eingaben zu verarbeiten und das Stapeln von Bildern überflüssig zu machen. Studieren Sie das referenzierte Papier (http://arxiv.org/abs/1507.06527v3) für Architekturdetails und Trainingsmethoden.
Tech Stack
lua
Domain
machine learningai
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
1-2 Tage
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
LuaReinforcement Learning
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
30