在过去的一年中，强化学习已经取得了重大进步，最新技术每两个月发布一次。我们已经看到AlphaGo击败了世界冠军围棋选手Ke Jie，Multi-Agents玩了捉迷藏，甚至AlphaStar在星际争霸中也拥有自己的实力。实施这些算法可能会非常具有挑战性，

强化学习是一种允许你创造能从环境中交互学习的AI agent 的机器学习算法。如上图所示，大脑代表AI agent并在环境中活动。反馈包括回报和环境的下个状态。如果类比人类学习自行车，我们会将车从起始点到当前位置的距离定义为回报。2013年，在DeepMi

本篇博文将向大家演示，如何在仅仅运用78行代码的情况下，利用 Keras 和 Gym 实现深度强化学习，使得 CartPole 这款游戏得以成功运行。即使你不知道强化学习是什么也没关系，我会在文章中给出详细的介绍。如上图所示，大脑表示作用于环境的 AI a

本篇博文将向大家演示，如何在仅仅运用78行代码的情况下，利用 Keras 和 Gym 实现深度强化学习，使得 CartPole 这款游戏得以成功运行。即使你不知道强化学习是什么也没关系，我会在文章中给出详细的介绍。如上图所示，大脑表示作用于环境的 AI a

Gym 是 OpenAI 发布的用于开发和比较强化学习算法的工具包。使用它我们可以让 AI 智能体做很多事情，比如行走、跑动，以及进行多种游戏。目前，它运行在支持 Python 3.5 和 3.6 的 Linux、macOS 和 Windows 系统上。在

本文描述的卷积神经网络超出了简单模式识别的范畴，能够学习到控制一辆自动汽车所需的所有过程。作者介绍了如何利用 CNN 和 OpenAI Gym，创建一个多智能体的系统，这些模型可以自动驾驶马里奥赛车，并且彼此竞争。过去的纪念见证了很多使用强化学习做出的突破

在本教程中，我将解释如何从头开始创建OpenAI环境并在其上训练代理。1 - 问题陈述目标是创建一个人工智能代理来控制整个航道中船舶的导航。如今，在诸如通道和港口的限制水域中的导航基本上基于关于诸如给定位置中的风和水流的环境条件的先导知识。假设人类仍在犯错

通过强化学习，我们的目标是创建算法，帮助代理在特定环境中获得最佳性能，并获得适当的奖励。让我们考虑两种情况，为RL提供抽象的洞察力。积极和消极的奖励会增加或减少该行为的倾向。最终在一段时间内在该环境中取得更好的结果。environment 是agent 的

MuJoCoMuJoCo是一个物理模拟器，可以用于机器人控制优化等研究。如果是Linux系统可以点mjpro150 linux。下载完成后解压到~/.mujoco下。注意要用是需要license的，可以在https://www.roboti.us/lice