CN113052252B - 超参数确定方法、装置、深度强化学习框架、介质及设备 - Google Patents
超参数确定方法、装置、深度强化学习框架、介质及设备 Download PDFInfo
- Publication number
- CN113052252B CN113052252B CN202110351893.4A CN202110351893A CN113052252B CN 113052252 B CN113052252 B CN 113052252B CN 202110351893 A CN202110351893 A CN 202110351893A CN 113052252 B CN113052252 B CN 113052252B
- Authority
- CN
- China
- Prior art keywords
- target
- value
- space
- hyperspace
- value space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000002787 reinforcement Effects 0.000 title claims abstract description 32
- 230000003993 interaction Effects 0.000 claims abstract description 175
- 238000013507 mapping Methods 0.000 claims description 104
- 238000005070 sampling Methods 0.000 claims description 93
- 230000009471 action Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 28
- 238000013473 artificial intelligence Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000009877 rendering Methods 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 description 209
- 230000007613 environmental effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000002452 interceptive effect Effects 0.000 description 10
- 230000001186 cumulative effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种超参数确定方法、装置、深度强化学习框架、介质及设备，所述方法包括：获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本；根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数；根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间；根据所述目标空间确定所述目标超参数组合对应的目标取值组合。由此，基于每一参考取值空间下预设数量的目标交互样本确定目标超参数组合对应的目标取值组合，从而可以在一定程度上提高确定出的目标取值组合与当前目标模型的状态的匹配实时性。
Description
技术领域
本公开涉及计算机技术领域，具体地，涉及一种超参数确定方法、装置、深度强化学习框架、介质及设备。
背景技术
随机计算机技术的发展，各类大型模型、复杂的机器学习模型逐渐开始应用。在模型中需要通过大量的参数进行计算，从而使得该模型可以满足用户的需求。在模型中的部分参数可以通过模型的训练进行优化，例如神经网络模型中的权重，而部分参数不能够通过模型的训练进行优化，这类参数为模型的超参数，例如神经网络中的隐藏层的数量。超参数用于对模型的训练过程进行调节，通常是工作人员基于经验人为设置的，超参数并不直接参与到模型的训练过程，不会在模型的训练过程中进行更新。而超参数的设置对模型训练的迭代次数、收敛效率等具有较大影响。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种超参数确定方法，所述方法包括：
获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本，其中，所述目标超参数组合中包含多个具有关联关系的目标超参数，所述参考超空间被离散化为多个取值空间，每一所述参考超空间对应的原点不同，所述目标交互样本中包含所述目标超参数组合对应的采样取值组合和所述目标模型对应的优化特征参数，所述目标交互样本的数量小于或等于预设数量；
根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，其中，所述目标超空间对应于所述多个参考超空间，所述目标超空间被离散化为多个取值空间，每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔；
根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间；
根据所述目标空间确定所述目标超参数组合对应的目标取值组合。
第二方面，提供一种超参数确定装置，所述装置包括：
第一获取模块，用于获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本，其中，所述目标超参数组合中包含多个具有关联关系的目标超参数，所述参考超空间被离散化为多个取值空间，每一所述参考超空间对应的原点不同，所述目标交互样本中包含所述目标超参数组合对应的采样取值组合和所述目标模型对应的优化特征参数，所述目标交互样本的数量小于或等于预设数量；
第一确定模块，用于根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，其中，所述目标超空间对应于所述多个参考超空间，所述目标超空间被离散化为多个取值空间，每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔；
第二确定模块，用于根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间；
第三确定模块，用于根据所述目标空间确定所述目标超参数组合对应的目标取值组合。
第三方面，提供一种深度强化学习框架，所述深度强化学习框架中的多个具有关联关系的超参数的取值是基于第一方面所述的超参数确定方法确定出的。
第四方面，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。
第五方面，提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。
在上述技术方案中，可以基于多个参考超空间对目标超空间中每一取值空间的目标分数进行计算，以确定出目标空间，从而可以基于该目标空间确定所述目标超参数组合对应的目标取值组合。通过上述技术方案，无需在采样得出交互样本后进行目标取值组合的确定，而是可以将该交互样本进行存储，从而可以在确定出目标取值组合时基于存储的交互样本进行确定。并且是基于每一参考取值空间下预设数量的目标交互样本进行确定的，从而可以在一定程度上避免过多历史数据对确定目标模型中目标超参数组合的当前取值的影响，提高确定出的目标取值组合与当前目标模型的状态的匹配实时性。另外，由于每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔，使得参考超空间中对应的计算效率更高，一方面可以在一定程度上提高目标超空间对应的计算效率，另一方面，基于多个参考超空间对应目标超空间进行融合表示，也可以在一定程度上提高确定出的目标取值组合的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开的一种实施方式提供的超参数确定方法的流程图；
图2是基于本公开的一种实施方式提供的目标超空间的示意图；
图3是基于本公开的一种实施方式提供的目标超空间及其对应的参考超空间的示意图；
图4是根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数的示例性实现方式的流程图；
图5是是基于本公开的一种实施方式提供的一映射取值空间及其对应的目标交互样本的示意图；
图6是根据本公开的一种实施方式提供的超参数确定装置的框图；
图7示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
为了使本领域技术人员更容易理解本公开实施例提供的技术方案，下面首先对涉及到的技术和应用场景进行简单介绍。
深度强化学习模型将深度学习的感知能力和强化学习的决策能力相结合，其通过在每个时刻代理(agent)与环境交互得到一个高维度的观察，并利用深度学习方法来感知该观察，以得到该观察具体的状态特征表示，所述采样数据即用于表示在交互过程中任一时刻进行采样，所得到的感知观察对应的具体状态表征；之后可以基于预期回报来评价各个状态的价值函数(状态值函数)和状态-动作对的价值函数(动作值函数)，并且基于这两个价值函数对决策策略进行提升，决策策略用于将当前状态映射为相应的决策动作；环境会对此决策动作做出反应，并得到下一个观察。通过不断循环以上过程，以得到实现目标的最优策略。
图1所示，为根据本公开的一种实施方式提供的超参数确定方法的流程图，如图1所示，所述方法可以包括：
在步骤11中，获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本，其中，所述目标超参数组合中包含多个具有关联关系的目标超参数，所述参考超空间被离散化为多个取值空间，每一所述参考超空间对应的原点不同，所述目标交互样本中包含所述目标超参数组合对应的采样取值组合和所述目标模型对应的优化特征参数，所述采样取值组合中包含每一所述目标超参数对应的采样取值，所述目标交互样本的数量小于或等于预设数量。
示例地，以深度强化学习模型为例，在深度强化模型中可以通过2个目标超参数对策略π的搜索空间进行表示，目标超参数组合α可以表示为：α＝(τ1,τ2)，则采样取值组合则可以分别包含该目标超参数τ1和τ2的采样取值。
作为示例，所述目标超参数与所述参考超空间中的维度一一对应，每一所述目标超参数的参数空间在该目标超参数对应的维度下被离散化为多个取值区间，以使得所述参考超空间被离散化为多个取值空间。
其中，该预设数量可以根据实际应用场景进行设置，本公开对此不进行限定。在该实施例中，在确定目标超参数组合对应的取值时，均基于每一参考取值空间下预设数量的目标交互样本进行确定，从而可以在一定程度上避免过多历史数据对确定目标模型中目标超参数组合的当前取值的影响，为后续确定目标取值组合提供准确的数据支持。
在步骤12中，根据目标交互样本和参考取值空间，确定目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，其中，所述目标超空间对应于所述多个参考超空间，所述目标超空间被离散化为多个取值空间，每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔。
同样地，目标超参数与所述目标超空间中的维度一一对应，每一所述目标超参数的参数空间在该目标超参数对应的维度下被离散化为多个取值区间，以使得所述目标超空间被离散化为多个取值空间。以下以目标超空间为例，对上述离散化处理过程进行详细说明。
示例地，目标超参数组合中包含两个目标超参数，分别为τ1和τ2，则该目标超参数组合对应的目标超空间以及参考超空间为二维空间，如图2所示，为一目标超空间离散化处理的示意图，其中，X轴维度对应于目标超参数τ1，Y轴维度对应于目标超参数τ2，目标超参数τ1和τ2分别对应的参数空间可以在其对应的维度上进行离散化处理，其中不同维度进行离散化处理的间隔可以相同，也可以不同，用户可以基于实际使用场景进行设置，本公开对此不进行限定。
如图2所示，在X轴维度对目标超参数τ1的参数空间以离散间隔H1进行离散化处理，在Y轴维度对目标超参数τ2的参数空间以离散间隔H2进行离散化处理，则目标超空间被离散化为图2所示的12个取值空间(C00-C23)。
同样地，参考超空间可以采用同样的方式进行离散化处理，在此不再赘述。
如图3所示，其中，A空间即为图2所示的目标超空间，B空间和F空间是与该图2所示的目标超空间对应的参考超空间，为便于表示将B空间和F空间采用图3中所示表示，B空间和F空间的原点位置相对于目标超空间的原点存在偏移，但B空间和F空间中均存在与A空间对应的位置。
如图3所示，参考超空间B对应的离散间隔和参考超空间F对应的离散间隔均大于目标超空间对应的离散间隔，例如，可以根据目标超空间中每一维度下对应的离散间隔设置对应的参考超空间对应的离散间隔，其可以相同也可以不同，可以根据实际使用需求进行设置。
在步骤13中，根据目标超空间中的每一取值空间对应的目标分数，从目标超空间中的多个取值空间中确定目标空间。
其中，该目标分数用于表征选择该取值空间的可靠程度，从而可以基于该目标分数确定出用于选择目标取值的取值空间，即目标空间，以保证目标超参数组合对应的取值的准确性，以及该目标超参数组合对应的取值与该目标模型的实际应用过程的一致性。
在步骤14中，根据目标空间确定目标超参数组合对应的目标取值组合。
作为一种实施例，可以在所述目标空间对应的取值范围内进行均匀分布采样，将采样获得的点在每一维度下对应的取值确定为所述该维度对应的目标超参数的目标取值。如图2所示，确定出的目标空间为C13，从该目标空间中进行采样获得的采样点为P1，则可以将P1在X轴维度对应的取值Px确定为目标超参数τ1的目标取值，将P1在Y轴维度对应的取值Py确定为目标超参数τ2的目标取值，以获得目标取值组合。
在上述技术方案中，可以基于多个参考超空间对目标超空间中每一取值空间的目标分数进行计算，以确定出目标空间，从而可以基于该目标空间确定所述目标超参数组合对应的目标取值组合。通过上述技术方案，无需在采样得出交互样本后进行目标取值组合的确定，而是可以将该交互样本进行存储，从而可以在确定出目标取值组合时基于存储的交互样本进行确定。并且是基于每一参考取值空间下预设数量的目标交互样本进行确定的，从而可以在一定程度上避免过多历史数据对确定目标模型中目标超参数组合的当前取值的影响，提高确定出的目标取值组合与当前目标模型的状态的匹配实时性。另外，由于每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔，使得参考超空间中对应的计算效率更高，一方面可以在一定程度上提高目标超空间对应的计算效率，另一方面，基于多个参考超空间对应目标超空间进行融合表示，也可以在一定程度上提高确定出的目标取值组合的准确性。
在一种可能的实施例中，所述方法还可以包括：
获取在目标模型的所述目标超参数组合对应的采样取值组合下，与所述采样取值组合对应的采样样本。
在该实施例中，可以在目标模型的训练过程中，基于目标超参数组合对应的采样取值组合进行采样，从而获得该采样样本。示例地，在一应用场景中，采样样本可以是基于在虚拟对象与虚拟环境进行交互的过程中进行采样获得的交互序列所生成的，其中，所述虚拟对象基于所述深度强化学习模型进行控制，所述交互序列包括在所述目标超参数组合对应的采样取值组合下的多个采样数据，每一所述采样数据包括所述虚拟环境的环境状态、所述深度强化学习模型确定出的所述虚拟对象在所述环境状态下的执行的决策动作，以及与所述决策动作对应的回报值，所述优化特征参数为所述交互序列对应的累计回报。
其中，虚拟环境可以是用计算机生成的一种虚拟的场景环境，如虚拟环境可以是游戏场景，示例地，对用于与用户进行交互的多媒体数据进行渲染，从而可以将该多媒体数据渲染显示为游戏场景，虚拟环境提供了一个多媒体的虚拟世界，用户可通过操作界面上的控件来控制虚拟对象动作，或直接对虚拟环境中可操作的虚拟对象进行控制，并以虚拟对象的视角观察虚拟环境中的物体、人物、风景等，以及通过虚拟对象和虚拟环境中的其它虚拟对象等进行互动。作为另一示例，该虚拟环境还可以包括场景中的其他虚拟对象等。虚拟对象可以是在虚拟环境中的用于模拟用户的虚拟形象，其可以是人类形象或者其他动物形象等。
该应用场景可以是由虚拟对象感知其所处的环境，并根据感知到的环境状态来进行动作的场景。该应用场景可以包括一虚拟对象以及虚拟对象所处环境中包含的多个环境对象，在该场景下，虚拟对象可以对虚拟对象所处环境的环境状态进行融合，并将融合后的环境状态，输入到目标模型中，以得到虚拟对象待执行的决策动作。其中，虚拟对象可以是任一种能够与环境交互，并根据所处环境的环境状态进行动作的智能体。
示例地，所述虚拟对象为游戏人工智能(游戏AI，ArtificialIntelligence)，所述深度强化学习模型用于对所述游戏人工智能进行训练，所述采样样本为在所述游戏人工智能在目标游戏的对局中进行采样获得的交互序列，所述虚拟环境为所述游戏人工智能在所述目标游戏中所处的训练环境。
作为示例，目标游戏为枪战类游戏，虚拟对象可以是游戏对战AI，其对应的决策动作可以是控制游戏对战AI角色攻击、移动和停止等。作为另一示例，目标游戏为驾驶类游戏中，虚拟对象可以是进行自动驾驶的游戏车辆AI，其对应的决策动作可以是控制该车辆转向、直行和刹车等。作为另一示例，目标游戏可以在装配类游戏，虚拟对象可以是机器人AI，其对应的决策动作可以是控制该机器人AI移动、抓取待装配物体和放下待装配物体等。
举例来说，在对游戏人工智能在目标游戏的对局中进行采样获得的交互序列时，可以由游戏人工智能对游戏人工智能所处环境进行感知，以获取游戏人工智能所处训练环境的多模态的环境状态。其中，环境状态可以包括环境图像，以及环境图像中每个环境对象的对象信息，对象信息包含了环境对象所对应的具体参数。例如，在虚拟对象为枪战类游戏中的游戏对战AI时，虚拟环境则可以是游戏对战AI在该枪战类游戏中所处的训练环境，则环境图像可以是游戏对战AI所在的游戏地图，环境对象可以是该游戏地图中的敌方单位、道路和建筑物等，对象信息可以包括敌方单位的数值参数(例如：血量、攻击力、技能)、名称和所在位置等信息。在虚拟对象为驾驶类游戏的游戏车辆AI时，虚拟环境则可以是游戏车辆AI在该驾驶类游戏中所处的训练环境，则环境图像可以是拍摄到的该车辆周围的图像，环境对象可以是该车辆周围的其他车辆、障碍物和道路等，对象信息可以包括其他车辆的车速、行驶方向和大小等信息。在虚拟对象为装配类游戏中的机器人AI时，虚拟环境则可以是机器人AI在该装配类游戏中所处的训练环境，环境图像可以是拍摄到的待装配物体所在区域的图像，环境对象可以是待装配物体，对象信息可以包括待装配物体的大小、形状和位置等信息。然后，可以对每个环境对象的对象信息进行预处理，以得到每个环境对象的对象特征向量。例如，可以将每个环境对象的对象信息输入到预先训练好的深度学习网络中，以将每个环境对象的对象信息转换为该环境对象的对象特征向量。
作为示例，该虚拟对象可以在该虚拟环境的第一状态下执行决策动作，则在该虚拟对象执行该决策动作后，该虚拟环境则可以对该决策动作做出反应，从而获得该虚拟环境的第二状态，以及执行该决策动作对应的回报值。则在虚拟对象与该虚拟环境进行交互的过程中进行采样时，可以基于将该第一状态、决策动作、第二状态以及该回报值作为该采样时刻对应的采样数据，若无另外说明，本公开实施例中所述的环境状态为所述第一状态。在一次完整的交互过程中，按照采样时间的先后顺序的采样数据形成为一交互序列。示例地，该目标模型可以为一深度强化学习模型，目标游戏为迷宫类游戏，虚拟对象对游戏AI，虚拟环境可以为一虚拟迷宫环境，在该虚拟迷宫场景中的随机位置中可能出现虚拟奖励，可以训练深度强化学习模型以确定游戏AI从虚拟迷宫入口E1至出口E2的策略，以使得游戏AI从入口E1至出口E2的过程中获得的虚拟奖励最多。示例地，从入口E1处在初始时刻采样，游戏AI在虚拟迷宫环境中该初始时刻的第一状态下对应的动作为直行或右转，则可以根据策略确定该初始时刻的状态下对应决策动作，示例地决策动作为直行，环境基于该决策动作做出反应获得回报值和第二状态，采样获得一采样数据。在下一时刻采样，获得该游戏AI在虚拟迷宫环境中该下一时刻的第一状态，该第一状态下对应的动作为直行或右转，则可以根据策略确定该下一时刻的第一状态下对应的决策动作，示例地决策动作为右转，同样地环境基于该决策动作做出反应获得回报值和第二状态，获得下一采样数据。则在游戏AI移动至出口E2的过程中，通过上述方式采样可以获得包含多个采样数据的交互序列。
其中，在进行采样时，可以获取该采样时刻对应的虚拟环境的图像，从而可以对该图像进行特征提取，以获得该第一状态。在该虚拟对象执行决策动作之后，获取虚拟环境的图像并对图像进行特征提取，以获得第二状态。该回报值可以是执行该决策动作后，该虚拟对象对应的得分值的变化，也可以是虚拟生命条的变化等，可以根据实际使用场景进行设置，本公开对此不进行限定。
之后，则可以根据所述采样样本生成所述目标超参数组合对应的交互样本。
示例地，交互样本中的优化特征参数可以为所述交互序列对应的累计回报。作为示例，该累计回报可以是该交互序列中包含的每一决策动作对应的回报值之和。作为另一示例，与当前决策动作距离越远的决策动作对该当前决策动作的影响越小，则该累计回报可以是该交互序列中的每一决策动作的回报值与该决策动作对应的衰减系数的乘积的累加和，其中，决策动作对应的衰减系数按照所述决策动作由先至后的顺序递减，例如：
Gt＝Rt+1+γRt+2+γ2Rt+3+…+γn-1Rt+n
＝Rt+1+γ(Rt+2+γRt+3+…+γn-2Rt+n)
＝Rt+1+γGt+1
其中，Ri用于表示i时刻的决策动作的回报值，γ用于表示该衰减系数，n可以用于表示该交互序列中t时刻之后到交互结束的采样数据的数量。
因此，在另一实施例中，可以从交互序列的最后一个决策动作起，将其回报值与衰减值相乘并与前一决策动作的回报值相加，直至与所述交互序列中的第一个决策动作的回报值相加，获得该累计回报。其中该衰减值可以根据实际使用场景进行设置。
根据所述采样取值组合，确定所述采样取值组合在每一所述参考超空间中所属的参考取值空间。
示例地，在每一参考超空间中，可以根据该采样取值组合中的每一采样取值，分别确定该采样取值在该采样取值对应的维度下的标识，例如，可以基于采样取值的取值区间对应的范围长度确定该采样取值所属的取值区间，采样取值所属的取值区间的下标i可以通过以下公式进行确定：
i＝(min(max(x,l),r)-l)//acc
其中，x用于表示所述采样取值；l用于表示所述参数空间的左边界；r用于表示所述参数空间的右边界；//用于表示整除符号；acc用于表示取值区间的范围长度。
因此，在基于上述方式确定出每一采样取值对应的采样区间的下标时，基于每一采样取值的维度确定出该参考空间。示例地，X轴维度确定出的下标为2，Y轴维度确定出的下标为1，则该采样取值组合所属的参考取值空间即为21。
针对每一所述参考取值空间，若所述参考取值空间对应的目标交互样本的数量小于所述预设数量，则将所述交互样本作为目标交互样本存储至所述参考取值空间；若所述参考取值空间对应的目标交互样本的数量不小于所述预设数量，则将所述交互样本作为目标交互样本存储至所述参考取值空间，并删除所述参考取值空间中存储时间最长的目标交互样本。
在确定出交互样本对应的参考取值空间后，在可以将该交互样本存储至对应的参考取值空间。示例地，如图3所示的参考超空间B和F，针对交互样本P，确定出其在参考超空间B中对应的参考取值空间为M1，在参考超空间F对应的参考取值空间为M3，若参考取值空间为M1中的目标交互样本的数量小于预设数量，则将将该交互样本作为目标交互样本存储至参考取值空间为M1；若参考取值空间为M3中的目标交互样本的数量大于预设数量，则将将该交互样本作为目标交互样本存储至参考取值空间为M3，并将M3中最先存储的目标交互样本删除。
在实际应用场景中，该目标模型会基于训练数据逐渐优化，从而可以提高目标模型的准确度。示例地，目标模型为用于训练赛车比赛的深度强化学习模型，则在该游戏场景中通常会存在多层闯关游戏，例如第一关目标分数为1000，第二关目标分数为2000，第三关目标分数为4000等。因此，在每一关中对应的最优策略通常是不相同的。而实际应用中，在目标模型的初始训练时准确度较低，则对其进行采样的数据通常为第一关对应的数据，而随着目标模型的逐步训练其准确度有所提升，则对其进行采样的数据包含第一关对应的数据和第二关对应的数据，之后随着目标模型的进一步训练其准确度更加准确，则对其进行采样的数据包含第一关对应的数据、第二关对应的数据和第三关对应的数据。
因此，在本公开中，为了保证目标模型中的目标超参数组合的取值与该目标模型中训练过程中的匹配性和实时性，本公开中可以基于距离当前时间最近的多个交互样本对目标模型中的目标超参数组合的取值进行确定，以在一定程度上提高确定出的目标超参数组合的取值的实时性，并且在一定程度上提高目标模型中策略优化的准确性，保证确定出的最优策略是与目标模型中的当前状态对应的最优策略，降低历史采样的数据对目标超参数组合的取值的影响，提高目标模型的训练效率和准确度。
因此，在本公开实施中，为了避免过多的历史采样数据对当前目标模型中的目标超参数组合的取值影响，本公开中只采用距离当前时间最近的预设数量的交互样本进行后续计算。并且，在对交互样本进行存储时，只存储距离当前时刻最近的预设数量的交互样本，既可以保证目标超参数组合取值的准确性，又可以避免过量存储数据造成的资源浪费。
在一种可能的实施例中，所述根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数的示例性实现方式如下，如图4所示，该步骤可以包括：
在步骤41中，针对目标超空间中的每一取值空间，确定该取值空间在每一参考超空间中对应的参考取值空间，作为映射取值空间。
其中，可以基于该每一参考超空间的原点与所述目标超空间的原点之间的偏移确定所述映射取值空间。其中，可以对目标超空间与参考超空间对应的坐标系进行转换而确定，坐标系转换的映射方式可以采用本领域中任一转换方式，在此不再赘述。
示例地，如图3所示，针对目标超空间A中的取值空间为C01，则其在参考超空间B中对应的参考取值空间为M1，在参考超空间F中对应的参考取值空间为M2和M3。
在步骤42中，针对目标超空间中的每一取值空间，根据该取值空间对应的每一映射取值空间下的目标参数样本，确定该取值空间的价值分数。
在一种可能的实施例中，可以将该取值空间对应的每一映射取值空间下的目标参数样本中的优化特征参数与该目标参数样本的权重的乘积和确定该取值空间的价值分数，公式如下：
其中，S(blocki)表示所述目标超空间中第i个取值空间的价值分数；
blocki(tile)用于表示所述目标超空间中第i个取值空间对应的映射取值空间；
tilek用于表示第k个映射取值空间；
E用于表示计算期望；
S(pointikj)用于表示目标超空间中第i个取值空间blocki对应的第k个映射取值空间tilek中的第j个目标交互样本的分数，即该目标交互样本中的优化特征参数；
pikj用于表示目标超空间中第i个取值空间blocki对应的第k个映射取值空间tilek中的第j个目标交互样本的权重。在一种可能的实施例中，pikj为1，则可以直接将该取值空间对应的每一映射取值空间下的目标参数样本中的优化特征参数之和确定该取值空间的价值分数。
在另一种可能的实施例中，所述根据该取值空间对应的每一映射取值空间下的目标参数样本，确定该取值空间的价值分数的示例性实现方式如下，该步骤可以包括：
针对每一所述映射取值空间，根据该映射取值空间对应的目标交互样本中的优化特征参数，确定该映射取值空间的映射分数。
作为示例，该步骤可以包括：
将所述映射取值空间对应的目标交互样本中的优化特征参数的加权和确定为所述映射取值空间的映射分数，其中，所述映射取值空间中的每一所述目标交互样本的权重是根据所述目标交互样本中的所述优化特征参数与所述映射取值空间的中心点之间的距离确定出的。
示例地，如图5所示为一映射取值空间及其对应的目标交互样本的示意图。如图5所示，该映射区间空间对应的目标交互样本为Q1-Q7，则可以根据该目标交互样本对应的采样取值组合确定出该目标交互样本在映射取值空间中的位置，从而基于该位置和该映射取值空间的中心点确定出该点对应的权重。
其中，当目标交互样本靠近于映射取值空间的中心点位置时，该目标交互样本对该映射取值空间的影响力越大，则其权重应当越大；当目标交互样本靠近于映射取值空间的边缘位置时，该目标交互样本对该映射取值空间的影响力越小，则其权重应当越小。在本公开中，作为示例，目标交互样本的权重为所述目标交互样本中的所述优化特征参数与所述映射取值空间的中心点之间的距离的倒数。如图5所示，R为该映射取值空间的中心点，从而可以确定出Q2与R之间的距离，则Q2对应的权重W2为1/D(Q2,R)，其中，D(Q2,R)用于表示Q2与R之间的距离，同样地，可以确定出Q1对应的权重W1为1/D(Q1,R)，则可以确定出Q2的权重大于该Q1的权重，即越接近该映射取值空间的中心点的目标交互样本对于确定该映射取值空间的分数的贡献度更大。
由此，通过目标交互样本与映射取值空间的中心点之间的距离确定该目标交互样本的权重，从而可以基于该权重确定出该映射取值空间对应的准确分值，避免过多目标交互样本位于映射取值空间的边缘处时对后续确定目标空间的影响，为提高目标空间的准确度提供有效地数据支持。
之后，根据该取值空间对应的每一所述映射取值空间的映射分数，确定该取值空间的价值分数。
示例地，该步骤可以包括：
将所述映射取值空间对应的映射分数的加权和确定为所述取值空间的价值分数，其中，取值空间对应的每一所述映射取值空间的权重是根据所述映射取值空间的中心点与该取值空间的中心点之间的距离确定出的。
如图3中所示，目标超空间中的取值区间C01在参考超空间C中对应的映射取值空间为M2和M3，则在M2和M3与C01的重合度不同时，将两者进行同样权重的考量则会导致确定出的C01的目标分数有所偏差。因此，在该实施例中，可以基于映射取值空间的中心点与该取值空间的中心点之间的距离确定该映射取值空间的权重。
示例地，图3中空心点用于表示C01的中心点，实心点分别用于表示M2和M3的中心点，其中目标超空间中的取值空间与映射取值空间的中心点之间的距离越小，则表示两者的重合度越高，即该映射取值空间对目标超空间中的该取值空间的影响越大，因此可以将映射取值空间的中心点与该取值空间的中心点之间的距离的倒数确定为映射取值空间对应的权重，从而可以准确确定出该取值空间的价值分数。
则可以通过如下公式进行确定价值分数：
S(blocki)＝∫∫pik*pkj*S(pointikj)djdk
其中，用于表示第k个映射空间中的第j个目标交互样本的权重，/>用于表示目标超空间中的第i个取值空间所对应的第k个映射取值空间的权重。相应地，可以将pik*pkj作为目标超空间中第i个取值空间blocki对应的第k个映射取值空间tilek中的第j个目标交互样本的权重pikj。
由此，通过上述技术方案中，可以目标超空间中的取值空间与映射取值空间的中心点之间的距离确定该映射取值空间的权重，从而可以基于该权重确定出该目标超空间中的取值空间对应的准确分值，避免过多重合度较小的映射取值空间对后续确定目标空间的影响，为提高目标空间的准确度提供有效地数据支持。
在步骤43中，针对目标超空间中的每一取值空间，根据取值空间的价值分数和取值空间的命中次数，确定取值空间的目标分数。
其中，该取值空间的命中次数可以是该取值空间对应的映射取值空间中的目标交互样本的总数量。
示例地，可以通过如下公式进行确定第i个取值空间的目标分数Scorei：
其中，c为预先设置的常数，用于调节命中次数对目标分数的影响，Mi为取值空间i的命中次数，j用于表示各个取值空间的下标。
由此，在该实施例中，为了提高初始情况下的目标空间选择的多样性，在确定取值空间的分数时同时需要考虑该取值空间的命中次数，以降低历史命中的取值对目标空间的选择的影响程度。由上述可知，在该过程中，随着交互样本的增多，命中次数增大，命中次数对目标分数的影响逐渐降低，从而可以使得在初始学习阶段提高目标空间选择的多样性和探索空间，在一定程度上提高确定出的目标取值组合的准确性，避免初始状态下的随机样本的过大影响，而在价值分数准确时，降低命中次数对目标空间选择的影响，以保证目标空间的选择对优化特征参数的正向优化调整。
在一种可能的实施例中，所述根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间的示例性实现方式如下，包括：
将目标分数最大的取值空间确定为所述目标空间。
在本公开实施例中，可以直接选择目标分数最大的取值空间作为该目标空间，从而可以有效保证从该目标空间中确定出的目标取值组合对目标模型优化的有效调整，提高目标模型优化的效率。
在另一种可能的实施例中，所述根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间的示例性实现方式如下，包括：
对所述多个取值空间的目标分数进行softmax处理，获得由每一所述取值空间的概率信息所形成的概率分布，并根据所述概率分布对所述多个取值空间进行采样，将采样获得的取值空间确定为所述目标空间。
在该实施例中，为了进一步提高目标超参数组合取值探索的多样性，可以基于softmax函数对各个取值空间的目标分数进行映射，以将其映射为0-1范围内的数值，作为该取值空间的概率信息，以获得该多个取值空间的概率分布。在基于概率分布进行采样时，概率信息较小的取值空间也会有被采样的可能，从而可以在一定程度上保证多个取值区间均存在被采样的可能性，避免确定出的目标空间为使得特征优化参数处于局部最优的参数的问题，避免目标模型的训练达到局部最优而停止训练，能够保证目标模型训练的准确性和鲁棒性。
本公开还提供一种超参数确定装置，如图6所示，所述装置10包括：
第一获取模块100，用于获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本，其中，所述目标超参数组合中包含多个具有关联关系的目标超参数，所述参考超空间被离散化为多个取值空间，每一所述参考超空间对应的原点不同，所述目标交互样本中包含所述目标超参数组合对应的采样取值组合和所述目标模型对应的优化特征参数，所述目标交互样本的数量小于或等于预设数量；
第一确定模块200，用于根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，其中，所述目标超空间对应于所述多个参考超空间，所述目标超空间被离散化为多个取值空间，每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔；
第二确定模块300，用于根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间；
第三确定模块400，用于根据所述目标空间确定所述目标超参数组合对应的目标取值组合。
可选地，所述装置还包括：
第二获取模块，用于获取在目标模型的所述目标超参数组合对应的采样取值组合下，与所述采样取值组合对应的采样样本；
生成模块，用于根据所述采样样本生成所述目标超参数组合对应的交互样本；
第四确定模块，用于根据所述采样取值组合，确定所述采样取值组合在每一所述参考超空间中所属的参考取值空间；
存储模块，用于针对每一所述参考取值空间，若所述参考取值空间对应的目标交互样本的数量小于所述预设数量，则将所述交互样本作为目标交互样本存储至所述参考取值空间；若所述参考取值空间对应的目标交互样本的数量不小于所述预设数量，则将所述交互样本作为目标交互样本存储至所述参考取值空间，并删除所述参考取值空间中存储时间最长的目标交互样本。
可选地，所述第一确定模块包括：
第一确定子模块，用于针对所述目标超空间中的每一取值空间，确定该取值空间在每一所述参考超空间中对应的参考取值空间，作为映射取值空间；
第二确定子模块，用于针对所述目标超空间中的每一取值空间，根据该取值空间对应的每一映射取值空间下的目标参数样本，确定该取值空间的价值分数；
第三确定子模块，用于针对所述目标超空间中的每一取值空间，根据所述取值空间的价值分数和所述取值空间的命中次数，确定所述取值空间的目标分数。
可选地，所述第二确定子模块包括：
第四确定子模块，用于针对每一所述映射取值空间，根据该映射取值空间对应的目标交互样本中的优化特征参数，确定该映射取值空间的映射分数；
第五确定子模块，用于根据该取值空间对应的每一所述映射取值空间的映射分数，确定该取值空间的价值分数。
可选地，所述第四确定子模块包括：
将所述映射取值空间对应的目标交互样本中的优化特征参数的加权和确定为所述映射取值空间的映射分数，其中，所述映射取值空间中的每一所述目标交互样本的权重是根据所述目标交互样本中的所述优化特征参数与所述映射取值空间的中心点之间的距离确定出的。
可选地，所述第五确定子模块包括：
将所述映射取值空间对应的映射分数的加权和确定为所述取值空间的价值分数，其中，取值空间对应的每一所述映射取值空间的权重是根据所述映射取值空间的中心点与该取值空间的中心点之间的距离确定出的。
可选地，所述第二确定模块包括：
第六确定子模块，用于将目标分数最大的取值空间确定为所述目标空间；
或者
第七确定子模块，用于对所述多个取值空间的目标分数进行softmax处理，获得由每一所述取值空间的概率信息所形成的概率分布，并根据所述概率分布对所述多个取值空间进行采样，将采样获得的取值空间确定为所述目标空间。
可选地，所述目标模型为深度强化学习模型，所述目标交互样本是基于在虚拟对象与虚拟环境进行交互的过程中进行采样获得的交互序列所生成的，其中，所述虚拟对象基于所述深度强化学习模型进行控制，所述交互序列包括在所述目标超参数组合对应的所述采样取值组合下的多个采样数据，每一所述采样数据包括所述虚拟环境的环境状态、所述深度强化学习模型确定出的所述虚拟对象在所述环境状态下的执行的决策动作，以及与所述决策动作对应的回报值，所述优化特征参数为所述交互序列对应的累计回报。
可选地，所述虚拟对象为游戏人工智能，所述深度强化学习模型用于对所述游戏人工智能进行训练，所述采样样本为在所述游戏人工智能在目标游戏的对局中进行采样获得的交互序列，所述虚拟环境为所述游戏人工智能在所述目标游戏中所处的训练环境。
本公开还提供一种深度强化学习框架，所述深度强化学习框架中的目标超参数组合的取值是基于上述超参数确定方法确定出的。示例地，可以基于该深度强化学习框架对游戏人工智能进行训练，则通过上述技术方案，可以保证确定出的游戏人工智能的决策的准确性，提高该游戏人工智能与用户进行交互时，游戏人工智能的决策能力，提升用户交互体验。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本，其中，所述目标超参数组合中包含多个具有关联关系的目标超参数，所述参考超空间被离散化为多个取值空间，每一所述参考超空间对应的原点不同，所述目标交互样本中包含所述目标超参数组合对应的采样取值组合和所述目标模型对应的优化特征参数，所述目标交互样本的数量小于或等于预设数量；根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，其中，所述目标超空间对应于所述多个参考超空间，所述目标超空间被离散化为多个取值空间，每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔；根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间；根据所述目标空间确定所述目标超参数组合对应的目标取值组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种超参数确定方法，其中，所述方法包括：
获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本，其中，所述目标超参数组合中包含多个具有关联关系的目标超参数，所述参考超空间被离散化为多个取值空间，每一所述参考超空间对应的原点不同，所述目标交互样本中包含所述目标超参数组合对应的采样取值组合和所述目标模型对应的优化特征参数，所述目标交互样本的数量小于或等于预设数量；
根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，其中，所述目标超空间对应于所述多个参考超空间，所述目标超空间被离散化为多个取值空间，每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔；
根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间；
根据所述目标空间确定所述目标超参数组合对应的目标取值组合。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，其中，所述方法还包括：
获取在目标模型的所述目标超参数组合对应的采样取值组合下，与所述采样取值组合对应的采样样本；
根据所述采样样本生成所述目标超参数组合对应的交互样本；
根据所述采样取值组合，确定所述采样取值组合在每一所述参考超空间中所属的参考取值空间；
针对每一所述参考取值空间，若所述参考取值空间对应的目标交互样本的数量小于所述预设数量，则将所述交互样本作为目标交互样本存储至所述参考取值空间；若所述参考取值空间对应的目标交互样本的数量不小于所述预设数量，则将所述交互样本作为目标交互样本存储至所述参考取值空间，并删除所述参考取值空间中存储时间最长的目标交互样本。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，其中，所述根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，包括：
针对所述目标超空间中的每一取值空间，确定该取值空间在每一所述参考超空间中对应的参考取值空间，作为映射取值空间；
针对所述目标超空间中的每一取值空间，根据该取值空间对应的每一映射取值空间下的目标参数样本，确定该取值空间的价值分数；
针对所述目标超空间中的每一取值空间，根据所述取值空间的价值分数和所述取值空间的命中次数，确定所述取值空间的目标分数。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，其中，所述根据该取值空间对应的每一映射取值空间下的目标参数样本，确定该取值空间的价值分数，包括：
针对每一所述映射取值空间，根据该映射取值空间对应的目标交互样本中的优化特征参数，确定该映射取值空间的映射分数；
根据该取值空间对应的每一所述映射取值空间的映射分数，确定该取值空间的价值分数。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，其中，所述针对每一所述映射取值空间，根据该映射取值空间对应的目标交互样本中的优化特征参数，确定该映射取值空间的映射分数，包括：
将所述映射取值空间对应的目标交互样本中的优化特征参数的加权和确定为所述映射取值空间的映射分数，其中，所述映射取值空间中的每一所述目标交互样本的权重是根据所述目标交互样本中的所述优化特征参数与所述映射取值空间的中心点之间的距离确定出的。
根据本公开的一个或多个实施例，示例6提供了示例4的方法，其中，所述根据该取值空间对应的每一所述映射取值空间的映射分数，确定该取值空间的价值分数，包括：
将所述映射取值空间对应的映射分数的加权和确定为所述取值空间的价值分数，其中，取值空间对应的每一所述映射取值空间的权重是根据所述映射取值空间的中心点与该取值空间的中心点之间的距离确定出的。
根据本公开的一个或多个实施例，示例7提供了示例1的方法，其中，所述根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间，包括：
将目标分数最大的取值空间确定为所述目标空间；
或者
对所述多个取值空间的目标分数进行softmax处理，获得由每一所述取值空间的概率信息所形成的概率分布，并根据所述概率分布对所述多个取值空间进行采样，将采样获得的取值空间确定为所述目标空间。
根据本公开的一个或多个实施例，示例8提供了示例1的方法，其中，所述目标模型为深度强化学习模型，所述目标交互样本是基于在虚拟对象与虚拟环境进行交互的过程中进行采样获得的交互序列所生成的，其中，所述虚拟对象基于所述深度强化学习模型进行控制，所述交互序列包括在所述目标超参数组合对应的所述采样取值组合下的多个采样数据，每一所述采样数据包括所述虚拟环境的环境状态、所述深度强化学习模型确定出的所述虚拟对象在所述环境状态下的执行的决策动作，以及与所述决策动作对应的回报值，所述优化特征参数为所述交互序列对应的累计回报。
根据本公开的一个或多个实施例，示例9提供了示例8的方法，其中，所述虚拟对象为游戏人工智能，所述深度强化学习模型用于对所述游戏人工智能进行训练，所述采样样本为在所述游戏人工智能在目标游戏的对局中进行采样获得的交互序列，所述虚拟环境为所述游戏人工智能在所述目标游戏中所处的训练环境。
根据本公开的一个或多个实施例，示例10提供了一种超参数确定装置，其中，所述装置包括：
第一获取模块，用于获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本，其中，所述目标超参数组合中包含多个具有关联关系的目标超参数，所述参考超空间被离散化为多个取值空间，每一所述参考超空间对应的原点不同，所述目标交互样本中包含所述目标超参数组合对应的采样取值组合和所述目标模型对应的优化特征参数，所述目标交互样本的数量小于或等于预设数量；
第一确定模块，用于根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，其中，所述目标超空间对应于所述多个参考超空间，所述目标超空间被离散化为多个取值空间，每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔；
第二确定模块，用于根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间；
第三确定模块，用于根据所述目标空间确定所述目标超参数组合对应的目标取值组合。
根据本公开的一个或多个实施例，示例11提供了一种深度强化学习框架，所述深度强化学习框架中的多个具有关联关系的超参数的取值是基于示例1-9中任一所述超参数确定方法确定出的。
根据本公开的一个或多个实施例，示例12提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-9中任一示例所述方法的步骤。
根据本公开的一个或多个实施例，示例13提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-9中任一示例所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (13)
1.一种超参数确定方法，其特征在于，所述方法包括：
获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本，其中，所述目标超参数组合中包含多个具有关联关系的目标超参数，所述参考超空间被离散化为多个取值空间，每一所述参考超空间对应的原点不同，所述目标交互样本中包含所述目标超参数组合对应的采样取值组合和所述目标模型对应的优化特征参数，所述目标交互样本的数量小于或等于预设数量；其中，所述目标交互样本是基于在虚拟对象与虚拟环境进行交互的过程中进行采样获得的交互序列所生成的，所述虚拟对象用于表示与虚拟环境进行交互并根据所处虚拟环境的环境状态进行动作的智能体，所述虚拟环境用于表示对用于与用户进行交互的多媒体数据进行渲染所生成的虚拟的场景环境，所述虚拟对象基于所述目标模型进行控制；所述交互序列包括在所述目标超参数组合对应的所述采样取值组合下的多个采样数据，每一所述采样数据包括所述虚拟环境的环境状态、所述目标模型确定出的所述虚拟对象在所述环境状态下的执行的决策动作，以及与所述决策动作对应的回报值，所述优化特征参数为所述交互序列对应的累计回报；
根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，其中，所述目标超空间对应于所述多个参考超空间，所述目标超空间被离散化为多个取值空间，每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔；
根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间；
根据所述目标空间确定所述目标超参数组合对应的目标取值组合。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取在目标模型的所述目标超参数组合对应的采样取值组合下，与所述采样取值组合对应的采样样本；
根据所述采样样本生成所述目标超参数组合对应的交互样本；
根据所述采样取值组合，确定所述采样取值组合在每一所述参考超空间中所属的参考取值空间；
针对每一所述参考取值空间，若所述参考取值空间对应的目标交互样本的数量小于所述预设数量，则将所述交互样本作为目标交互样本存储至所述参考取值空间；若所述参考取值空间对应的目标交互样本的数量不小于所述预设数量，则将所述交互样本作为目标交互样本存储至所述参考取值空间，并删除所述参考取值空间中存储时间最长的目标交互样本。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，包括：
针对所述目标超空间中的每一取值空间，确定该取值空间在每一所述参考超空间中对应的参考取值空间，作为映射取值空间；
针对所述目标超空间中的每一取值空间，根据该取值空间对应的每一映射取值空间下的目标参数样本，确定该取值空间的价值分数；
针对所述目标超空间中的每一取值空间，根据所述取值空间的价值分数和所述取值空间的命中次数，确定所述取值空间的目标分数。
4.根据权利要求3所述的方法，其特征在于，所述根据该取值空间对应的每一映射取值空间下的目标参数样本，确定该取值空间的价值分数，包括：
针对每一所述映射取值空间，根据该映射取值空间对应的目标交互样本中的优化特征参数，确定该映射取值空间的映射分数；
根据该取值空间对应的每一所述映射取值空间的映射分数，确定该取值空间的价值分数。
5.根据权利要求4所述的方法，其特征在于，所述针对每一所述映射取值空间，根据该映射取值空间对应的目标交互样本中的优化特征参数，确定该映射取值空间的映射分数，包括：
将所述映射取值空间对应的目标交互样本中的优化特征参数的加权和确定为所述映射取值空间的映射分数，其中，所述映射取值空间中的每一所述目标交互样本的权重是根据所述目标交互样本中的所述优化特征参数与所述映射取值空间的中心点之间的距离确定出的。
6.根据权利要求4所述的方法，其特征在于，所述根据该取值空间对应的每一所述映射取值空间的映射分数，确定该取值空间的价值分数，包括：
将所述映射取值空间对应的映射分数的加权和确定为所述取值空间的价值分数，其中，取值空间对应的每一所述映射取值空间的权重是根据所述映射取值空间的中心点与该取值空间的中心点之间的距离确定出的。
7.根据权利要求1所述的方法，其特征在于，所述根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间，包括：
将目标分数最大的取值空间确定为所述目标空间；
或者
对所述多个取值空间的目标分数进行softmax处理，获得由每一所述取值空间的概率信息所形成的概率分布，并根据所述概率分布对所述多个取值空间进行采样，将采样获得的取值空间确定为所述目标空间。
8.根据权利要求1所述的方法，其特征在于，所述目标模型为深度强化学习模型。
9.根据权利要求8所述的方法，其特征在于，所述虚拟对象为游戏人工智能，所述深度强化学习模型用于对所述游戏人工智能进行训练，所述采样数据为在所述游戏人工智能在目标游戏的对局中进行采样获得的交互序列，所述虚拟环境为所述游戏人工智能在所述目标游戏中所处的训练环境。
10.一种超参数确定装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标模型的目标超参数组合在多个参考超空间中的每一参考取值空间下存储的目标交互样本，其中，所述目标超参数组合中包含多个具有关联关系的目标超参数，所述参考超空间被离散化为多个取值空间，每一所述参考超空间对应的原点不同，所述目标交互样本中包含所述目标超参数组合对应的采样取值组合和所述目标模型对应的优化特征参数，所述目标交互样本的数量小于或等于预设数量；其中，所述目标交互样本是基于在虚拟对象与虚拟环境进行交互的过程中进行采样获得的交互序列所生成的，所述虚拟对象用于表示与虚拟环境进行交互并根据所处虚拟环境的环境状态进行动作的智能体，所述虚拟环境用于表示对用于与用户进行交互的多媒体数据进行渲染所生成的虚拟的场景环境，所述虚拟对象基于所述目标模型进行控制；所述交互序列包括在所述目标超参数组合对应的所述采样取值组合下的多个采样数据，每一所述采样数据包括所述虚拟环境的环境状态、所述目标模型确定出的所述虚拟对象在所述环境状态下的执行的决策动作，以及与所述决策动作对应的回报值，所述优化特征参数为所述交互序列对应的累计回报；
第一确定模块，用于根据所述目标交互样本和所述参考取值空间，确定所述目标超参数组合对应的目标超空间中的每一取值空间对应的目标分数，其中，所述目标超空间对应于所述多个参考超空间，所述目标超空间被离散化为多个取值空间，每一所述参考超空间中的取值空间对应的离散间隔大于所述目标超空间中的取值空间对应的离散间隔；
第二确定模块，用于根据所述目标超空间中的每一取值空间对应的目标分数，从所述目标超空间中的多个取值空间中确定目标空间；
第三确定模块，用于根据所述目标空间确定所述目标超参数组合对应的目标取值组合。
11.一种深度强化学习方法，其特征在于，所述深度强化学习方法中的多个具有关联关系的超参数的取值是基于权利要求1-9中任一所述超参数确定方法确定出的。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-9中任一项所述方法的步骤。
13.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110351893.4A CN113052252B (zh) | 2021-03-31 | 2021-03-31 | 超参数确定方法、装置、深度强化学习框架、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110351893.4A CN113052252B (zh) | 2021-03-31 | 2021-03-31 | 超参数确定方法、装置、深度强化学习框架、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113052252A CN113052252A (zh) | 2021-06-29 |
| CN113052252B true CN113052252B (zh) | 2024-03-26 |
Family
ID=76516814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110351893.4A Active CN113052252B (zh) | 2021-03-31 | 2021-03-31 | 超参数确定方法、装置、深度强化学习框架、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052252B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648101B (zh) * | 2022-05-13 | 2022-08-12 | 杭州研极微电子有限公司 | 基于transformer结构的softmax函数量化实现方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657805A (zh) * | 2018-12-07 | 2019-04-19 | 泰康保险集团股份有限公司 | 超参数确定方法、装置、电子设备及计算机可读介质 |
| CN109711548A (zh) * | 2018-12-26 | 2019-05-03 | 歌尔股份有限公司 | 超参数的选取方法、使用方法、装置及电子设备 |
| CN110033093A (zh) * | 2019-02-19 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 超参数确定方法、装置及设备 |
| WO2020087281A1 (zh) * | 2018-10-30 | 2020-05-07 | 深圳市大疆创新科技有限公司 | 超参数的优化方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200021301A (ko) * | 2018-08-20 | 2020-02-28 | 삼성에스디에스 주식회사 | 하이퍼파라미터 최적화 방법 및 그 장치 |
-
2021
- 2021-03-31 CN CN202110351893.4A patent/CN113052252B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020087281A1 (zh) * | 2018-10-30 | 2020-05-07 | 深圳市大疆创新科技有限公司 | 超参数的优化方法及装置 |
| CN109657805A (zh) * | 2018-12-07 | 2019-04-19 | 泰康保险集团股份有限公司 | 超参数确定方法、装置、电子设备及计算机可读介质 |
| CN109711548A (zh) * | 2018-12-26 | 2019-05-03 | 歌尔股份有限公司 | 超参数的选取方法、使用方法、装置及电子设备 |
| CN110033093A (zh) * | 2019-02-19 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 超参数确定方法、装置及设备 |
Non-Patent Citations (3)
| Title |
|---|
| Hyper-Parameter Optimization: A Review of Algorithms and Applications;Tong Yu, Hong Zhu;《arXiv》;全文 * |
| Understanding the Effect of Hyperparameter Optimization on Machine Learning Models for Structure Design Problems;Xianping Du, Hongyi Xu, Feng Zhu;《Computer-Aided Design》;全文 * |
| 基于强化学习的模型选择和超参数优化;吴佳;陈森朋;陈修云;周瑞;;电子科技大学学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113052252A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110692066B (zh) | 使用多模态输入选择动作 | |
| EP3559865B1 (en) | Data-efficient reinforcement learning for continuous control tasks | |
| CN113052253B (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
| US12067491B2 (en) | Multi-agent reinforcement learning with matchmaking policies | |
| CN110088774A (zh) | 使用强化学习的环境导航 | |
| CN110955242A (zh) | 机器人导航方法、系统、机器人及存储介质 | |
| CN110114783A (zh) | 利用辅助任务的强化学习 | |
| CN114261400B (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
| CN112766497B (zh) | 深度强化学习模型的训练方法、装置、介质及设备 | |
| CN110235149A (zh) | 神经情节控制 | |
| CN115280321A (zh) | 使用自举潜在的预测来学习针对代理控制的环境表示 | |
| CN114021330A (zh) | 一种仿真交通场景搭建方法及系统、智能体车辆控制方法 | |
| CN113052252B (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
| CN112926628B (zh) | 动作价值的确定方法、装置、学习框架、介质及设备 | |
| CN112256037A (zh) | 应用于自动驾驶的控制方法、装置、电子设备及介质 | |
| CN116164770A (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
| Xiao et al. | MACNS: A generic graph neural network integrated deep reinforcement learning based multi-agent collaborative navigation system for dynamic trajectory planning | |
| CN113052312B (zh) | 深度强化学习模型的训练方法、装置、介质及电子设备 | |
| CN112949850B (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
| CN116339349A (zh) | 路径规划方法、装置、电子设备及存储介质 | |
| CN113052248B (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
| CN112926629B (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
| US20200334530A1 (en) | Differentiable neuromodulated plasticity for reinforcement learning and supervised learning tasks | |
| CN114139756A (zh) | 一种路径规划方法、装置、计算设备和存储介质 | |
| CN113209622B (zh) | 动作的确定方法、装置、可读介质和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |