CN117933353A - 强化学习模型训练方法、装置、电子设备及存储介质 - Google Patents
强化学习模型训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117933353A CN117933353A CN202410113296.1A CN202410113296A CN117933353A CN 117933353 A CN117933353 A CN 117933353A CN 202410113296 A CN202410113296 A CN 202410113296A CN 117933353 A CN117933353 A CN 117933353A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- reinforcement learning
- scene
- state
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002787 reinforcement Effects 0.000 claims abstract description 106
- 230000009471 action Effects 0.000 claims abstract description 65
- 230000006870 function Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 abstract description 5
- 239000003795 chemical substances by application Substances 0.000 description 26
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明公开了一种强化学习模型训练方法、装置、电子设备及存储介质。该方法包括：获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，所述预训练模型包括状态感知网络和动作决策网络；复用所述预训练模型中动作决策网络；获取第二场景样本数据，基于所述第二场景样本数据对所述预训练模型中的状态感知网络进行训练，得到目标强化学习模型。上述技术方案，实现了强化学习模型的迁移学习，有效提升了强化学习模型在新场景下的预测准确度。
Description
技术领域
本发明涉及强化学习技术领域，尤其涉及一种强化学习模型训练方法、装置、电子设备及存储介质。
背景技术
随着强化学习技术的不断发展，强化学习技术被广泛应用于各种场景下。
在实现本发明的过程中，发现现有技术中至少存在以下技术问题：现有强化学习技术方案，在强化学习模型迁移至新场景的情况下，存在预测准确度低的问题。
发明内容
本发明提供了一种强化学习模型训练方法、装置、电子设备及存储介质，以提升强化学习模型的预测准确度。
根据本发明的一方面，提供了一种强化学习模型训练方法，包括：
获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，所述预训练模型包括状态感知网络和动作决策网络；
复用所述预训练模型中动作决策网络；
获取第二场景样本数据，基于所述第二场景样本数据对所述预训练模型中的状态感知网络进行训练，得到目标强化学习模型。
根据本发明的另一方面，提供了一种强化学习模型训练装置，包括：
预训练模型获取模块，用于获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，所述预训练模型包括状态感知网络和动作决策网络；
动作决策网络复用模块，用于复用所述预训练模型中动作决策网络；
目标强化学习模型确定模块，用于获取第二场景样本数据，基于所述第二场景样本数据对所述预训练模型中的状态感知网络进行训练，得到目标强化学习模型。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的强化学习模型训练方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的强化学习模型训练方法。
本发明实施例的技术方案，通过获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，预训练模型包括状态感知网络和动作决策网络；复用预训练模型中动作决策网络；获取第二场景样本数据，基于第二场景样本数据对预训练模型中的状态感知网络进行训练，得到目标强化学习模型，实现了强化学习模型的迁移学习，有效提升了强化学习模型在新场景下的预测准确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种强化学习模型训练方法的流程图；
图2是根据本发明实施例二提供的一种强化学习模型训练方法的流程图；
图3是根据本发明实施例提供的一种强化学习模型训练的示意图；
图4是根据本发明实施例三提供的一种强化学习模型训练装置的结构示意图；
图5是实现本发明实施例的强化学习模型训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供的一种强化学习模型训练方法的流程图，本实施例可适用于强化学习模型迁移训练的情况，该方法可以由强化学习模型训练装置来执行，该强化学习模型训练装置可以采用硬件和/或软件的形式实现，该强化学习模型训练装置可配置于终端和/或服务器中。如图1所示，该方法包括：
S110、获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，所述预训练模型包括状态感知网络和动作决策网络。
S120、复用所述预训练模型中动作决策网络。
S130、获取第二场景样本数据，基于所述第二场景样本数据对所述预训练模型中的状态感知网络进行训练，得到目标强化学习模型。
在本公开实施例中，第一场景样本数据或第二场景样本数据是指强化学习模型在特定应用场景下所使用的模型训练数据，其中，第一场景样本数据与第二场景样本数据为不同应用场景下的模型训练数据。示例性地，应用场景可以为游戏对抗、工业现场、医疗等场景，例如第一场景样本数据可以为游戏中A、B和C地图场景下可用于模型训练的数据，第二场景样本数据可以为游戏中D地图场景下可用于模型训练的数据，模型训练的数据可以包括角色血量、角色攻击力以及角色位置等数据。
示例性地，可以从电子设备的预设存储路径读取第一场景样本数据或第二场景样本数据，也可以从与电子设备通信连接的其他设备或者云端调取第一场景样本数据或第二场景样本数据，在此不做限定。
在本公开实施例中，预训练模型可以根据第一场景样本数据进行强化学习训练得到，预训练模型包括但不限于状态感知网络和动作决策网络，状态感知网络可以用于学习环境状态信息，动作决策网络用于输出状态价值函数值。
需要说明的是，将预训练好的动作决策模块用于新场景下训练，并固定该动作决策模块的网络参数，使新场景下的模型训练只需要专注于训练状态感知网络，减少了模型训练时间，从而提升了强化学习的模型训练效率。
可选地，第一场景样本数据包括第一地图场景中第一智能体对应的第一状态信息以及第一地图场景中第一智能体对应的第一动作信息；相应的，预训练模型的训练步骤包括：将所述第一地图场景中第一智能体对应的第一状态信息以及所述第一地图场景中第一智能体对应的第一动作信息输入至初始强化学习模型，得到第一状态价值函数值；基于所述第一状态价值函数值对所述初始强化学习模型进行模型参数更新，直至满足所述初始强化学习模型的训练停止条件，得到预训练模型。
在本公开实施例中，第一地图场景可以是游戏内地图对应的场景等，第一智能体可以是游戏中的角色等，第一智能体的数量可以为一个或多个，第一状态信息可以为角色的血量和攻击力等信息，第一动作信息可以为角色的位移或攻击动作等信息。第一状态价值函数值是指强化学习模型输出的当前状态信息对应的动作价值函数值。
需要说明的是，将状态信息与动作信息共同作为模型的输入进行训练，以使强化学习模型中的动作决策模块实现复用。
可选地，第一状态价值函数值包括多个任务对应的状态价值函数值；相应的，基于第一状态价值函数值对初始强化学习模型进行模型参数更新，包括：对多个任务对应的状态价值函数值进行聚合，得到模型预测值；将模型预测值与模型目标值输入至预设损失函数中，得到模型损失；基于模型损失对预训练模型中的状态感知网络对应的网络参数进行更新。
在本公开实施例中，每一任务具有对应的状态信息与动作信息，以及该状态信息与动作信息对应的状态价值函数值。
具体地，可以通过Mixer模块实现多个任务对应的状态价值函数值的聚合，从而得到模型预测值，进而根据模型预测值与模型目标值确定模型损失，进而根据模型损失对预训练模型中的状态感知网络对应的网络参数进行更新，直至模型训练结束，其中，模型目标值是指模型训练的标签。
可选地，预设损失函数包括：
其中，ωi表示第i个任务的权重，lossi表示第i个任务的损失函数；表示第i个任务收敛程度的评价指标；/>表示第j个训练样本对应的模型预测值，/>表示第j个训练样本对应的模型目标值，N表示任务数量，M表示训练样本的数量。
在本公开实施例中，任务收敛程度的评价指标可以为当前状态信息下任务失败的概率等。需要说明的是，本实施例通过动态调整每个任务的权重，从而确保多任务情况下模型的训练精度。
可选地，状态感知网络包括全连接层和门控循环单元，全连接层与门控循环单元连接；动作决策网络包括全连接层。
示例性地，可以将状态信息与动作信息共同输入至状态感知网络的全连接层，使输入维度转变到隐藏层的维度，进而将维度转变后的特征输入至门控循环单元，进而门控循环单元输出状态感知特征，进而将状态感知特征输入至动作决策网络的全连接层，得到一维的状态价值函数值。
本发明实施例的技术方案，通过获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，预训练模型包括状态感知网络和动作决策网络；复用预训练模型中动作决策网络；获取第二场景样本数据，基于第二场景样本数据对预训练模型中的状态感知网络进行训练，得到目标强化学习模型，实现了强化学习模型的迁移学习，有效提升了强化学习模型在新场景下的预测准确度。
实施例二
图2为本发明实施例二提供的一种强化学习模型训练方法的流程图，本实施例的方法与上述实施例中提供的强化学习模型训练方法中各个可选方案可以结合。本实施例提供的强化学习模型训练方法进行了进一步优化。可选的，所述第二场景样本数据包括第二地图场景中第二智能体对应的第二状态信息以及第二地图场景中第二智能体对应的第二动作信息；相应的，所述基于所述第二场景样本数据对所述预训练模型中的状态感知网络进行训练，得到目标强化学习模型，包括：将所述第二地图场景中第二智能体对应的第二状态信息以及所述第二地图场景中第二智能体对应的第二动作信息输入至所述预训练模型，得到第二状态价值函数值；基于所述第二状态价值函数值对所述预训练模型中的状态感知网络对应的网络参数进行更新，直至满足模型训练停止条件，得到目标强化学习模型。
如图2所示，该方法包括：
S210、获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，所述预训练模型包括状态感知网络和动作决策网络。
S220、复用所述预训练模型中动作决策网络。
S230、获取第二场景样本数据，所述第二场景样本数据包括第二地图场景中第二智能体对应的第二状态信息以及第二地图场景中第二智能体对应的第二动作信息。
S240、将所述第二地图场景中第二智能体对应的第二状态信息以及所述第二地图场景中第二智能体对应的第二动作信息输入至所述预训练模型，得到第二状态价值函数值。
S250、基于所述第二状态价值函数值对所述预训练模型中的状态感知网络对应的网络参数进行更新，直至满足模型训练停止条件，得到目标强化学习模型。
在本公开实施例中，第二地图场景可以是游戏内地图对应的场景等，第二智能体可以是游戏中的角色等，第二智能体的数量可以为一个或多个，状态信息可以为角色的血量和攻击力等信息，动作信息可以为角色的位移或攻击动作等信息。第二状态价值函数值是指强化学习模型输出的当前状态信息对应的动作价值函数值。
示例性地，图3是根据本发明实施例提供的一种强化学习模型训练的示意图。具体而言，在模型预训练阶段，可以通过N个任务的状态信息(s)以及动作信息(a)对初始强化学习模型进行预训练，得到预训练模型。其中，QN(s,a)表示第N个任务对应的状态价值函数值。在模型迁移阶段，可以将预训练模型中的动作决策网络进行复用，并基于新任务(任务new)对应的状态信息以及动作信息对状态感知网络进行训练，从而得到目标强化学习模型。需要说明的是，在新任务模型训练过程中，只需要专注于训练状态感知网络，从而减少了模型训练时间，进而提升了强化学习的模型训练效率。
本发明实施例的技术方案，通过将第二地图场景中第二智能体对应的第二状态信息以及第二地图场景中第二智能体对应的第二动作信息输入至预训练模型，得到第二状态价值函数值，进而基于第二状态价值函数值对预训练模型中的状态感知网络对应的网络参数进行更新，直至满足模型训练停止条件，得到目标强化学习模型，实现了强化学习模型的迁移学习，有效提升了强化学习模型在新场景下的预测准确度。
实施例三
图4为本发明实施例三提供的一种强化学习模型训练装置的结构示意图。如图4所示，该装置包括：
预训练模型获取模块310，用于获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，所述预训练模型包括状态感知网络和动作决策网络；
动作决策网络复用模块320，用于复用所述预训练模型中动作决策网络；
目标强化学习模型确定模块330，用于获取第二场景样本数据，基于所述第二场景样本数据对所述预训练模型中的状态感知网络进行训练，得到目标强化学习模型。
本发明实施例的技术方案，通过获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，预训练模型包括状态感知网络和动作决策网络；复用预训练模型中动作决策网络；获取第二场景样本数据，基于第二场景样本数据对预训练模型中的状态感知网络进行训练，得到目标强化学习模型，实现了强化学习模型的迁移学习，有效提升了强化学习模型在新场景下的预测准确度。
在一些可选的实施方式中，第二场景样本数据包括第二地图场景中第二智能体对应的第二状态信息以及第二地图场景中第二智能体对应的第二动作信息；
相应的，所述目标强化学习模型确定模块330，包括：
第二状态价值函数值确定单元，用于将所述第二地图场景中第二智能体对应的第二状态信息以及所述第二地图场景中第二智能体对应的第二动作信息输入至所述预训练模型，得到第二状态价值函数值；
状态感知网络更新单元，用于基于所述第二状态价值函数值对所述预训练模型中的状态感知网络对应的网络参数进行更新，直至满足模型训练停止条件，得到目标强化学习模型。
在一些可选的实施方式中，所述第一场景样本数据包括第一地图场景中第一智能体对应的第一状态信息以及第一地图场景中第一智能体对应的第一动作信息；
相应的，所述预训练模型的训练过程包括：
第一状态价值函数值确定模块，用于将所述第一地图场景中第一智能体对应的第一状态信息以及所述第一地图场景中第一智能体对应的第一动作信息输入至初始强化学习模型，得到第一状态价值函数值；
预训练模型参数更新模块，用于基于所述第一状态价值函数值对所述初始强化学习模型进行模型参数更新，直至满足所述初始强化学习模型的训练停止条件，得到预训练模型。
在一些可选的实施方式中，所述第一状态价值函数值包括多个任务对应的状态价值函数值；相应的，预训练模型参数更新模块，还用于：
对多个任务对应的状态价值函数值进行聚合，得到模型预测值；
将所述模型预测值与模型目标值输入至预设损失函数中，得到模型损失；
基于所述模型损失对所述预训练模型中的状态感知网络对应的网络参数进行更新。
在一些可选的实施方式中，所述预设损失函数包括：
其中，ωi表示第i个任务的权重，lossi表示第i个任务的损失函数；表示第i个任务收敛程度的评价指标；/>表示第j个训练样本对应的模型预测值，/>表示第j个训练样本对应的模型目标值，N表示任务数量，M表示训练样本的数量。
在一些可选的实施方式中，所述状态感知网络包括全连接层和门控循环单元，所述全连接层与所述门控循环单元连接；动作决策网络包括全连接层。
本发明实施例所提供的强化学习模型训练装置可执行本发明任意实施例所提供的强化学习模型训练方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。I/O接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如强化学习模型训练方法，该方法包括：
获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，所述预训练模型包括状态感知网络和动作决策网络；
复用所述预训练模型中动作决策网络；
获取第二场景样本数据，基于所述第二场景样本数据对所述预训练模型中的状态感知网络进行训练，得到目标强化学习模型。
在一些实施例中，强化学习模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的强化学习模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行强化学习模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、系统级芯片(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种强化学习模型训练方法，其特征在于，包括：
获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，所述预训练模型包括状态感知网络和动作决策网络；
复用所述预训练模型中动作决策网络；
获取第二场景样本数据，基于所述第二场景样本数据对所述预训练模型中的状态感知网络进行训练，得到目标强化学习模型。
2.根据权利要求1所述的方法，其特征在于，所述第一场景样本数据包括第一地图场景中第一智能体对应的第一状态信息以及第一地图场景中第一智能体对应的第一动作信息；
相应的，所述预训练模型的训练步骤包括：
将所述第一地图场景中第一智能体对应的第一状态信息以及所述第一地图场景中第一智能体对应的第一动作信息输入至初始强化学习模型，得到第一状态价值函数值；
基于所述第一状态价值函数值对所述初始强化学习模型进行模型参数更新，直至满足所述初始强化学习模型的训练停止条件，得到预训练模型。
3.根据权利要求2所述的方法，其特征在于，所述第一状态价值函数值包括多个任务对应的状态价值函数值；
相应的，所述基于所述第一状态价值函数值对所述初始强化学习模型进行模型参数更新，包括：
对多个任务对应的状态价值函数值进行聚合，得到模型预测值；
将所述模型预测值与模型目标值输入至预设损失函数中，得到模型损失；
基于所述模型损失对所述预训练模型中的状态感知网络对应的网络参数进行更新。
4.根据权利要求3所述的方法，其特征在于，所述预设损失函数包括：
其中，ωi表示第i个任务的权重，lossi表示第i个任务的损失函数；表示第i个任务收敛程度的评价指标；/>表示第j个训练样本对应的模型预测值，/>表示第j个训练样本对应的模型目标值，N表示任务数量，M表示训练样本的数量。
5.根据权利要求1所述的方法，其特征在于，所述第二场景样本数据包括第二地图场景中第二智能体对应的第二状态信息以及第二地图场景中第二智能体对应的第二动作信息；
相应的，所述基于所述第二场景样本数据对所述预训练模型中的状态感知网络进行训练，得到目标强化学习模型，包括：
将所述第二地图场景中第二智能体对应的第二状态信息以及所述第二地图场景中第二智能体对应的第二动作信息输入至所述预训练模型，得到第二状态价值函数值；
基于所述第二状态价值函数值对所述预训练模型中的状态感知网络对应的网络参数进行更新，直至满足模型训练停止条件，得到目标强化学习模型。
6.根据权利要求1所述的方法，其特征在于，所述状态感知网络包括全连接层和门控循环单元，所述全连接层与所述门控循环单元连接；动作决策网络包括全连接层。
7.一种强化学习模型训练装置，其特征在于，包括：
预训练模型获取模块，用于获取根据第一场景样本数据进行强化学习训练得到的预训练模型，其中，所述预训练模型包括状态感知网络和动作决策网络；
动作决策网络复用模块，用于复用所述预训练模型中动作决策网络；
目标强化学习模型确定模块，用于获取第二场景样本数据，基于所述第二场景样本数据对所述预训练模型中的状态感知网络进行训练，得到目标强化学习模型。
8.根据权利要求7所述的装置，其特征在于，所述第二场景样本数据包括第二地图场景中第二智能体对应的第二状态信息以及第二地图场景中第二智能体对应的第二动作信息；
相应的，所述目标强化学习模型确定模块，包括：
第二状态价值函数值确定单元，用于将所述第二地图场景中第二智能体对应的第二状态信息以及所述第二地图场景中第二智能体对应的第二动作信息输入至所述预训练模型，得到第二状态价值函数值；
状态感知网络更新单元，用于基于所述第二状态价值函数值对所述预训练模型中的状态感知网络对应的网络参数进行更新，直至满足模型训练停止条件，得到目标强化学习模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的强化学习模型训练方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的强化学习模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410113296.1A CN117933353A (zh) | 2024-01-25 | 2024-01-25 | 强化学习模型训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410113296.1A CN117933353A (zh) | 2024-01-25 | 2024-01-25 | 强化学习模型训练方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117933353A true CN117933353A (zh) | 2024-04-26 |
Family
ID=90760519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410113296.1A Pending CN117933353A (zh) | 2024-01-25 | 2024-01-25 | 强化学习模型训练方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117933353A (zh) |
-
2024
- 2024-01-25 CN CN202410113296.1A patent/CN117933353A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
| CN113627536A (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
| CN114462577A (zh) | 一种联邦学习系统、方法、计算机设备及存储介质 | |
| CN112784102B (zh) | 视频检索方法、装置和电子设备 | |
| CN117474091A (zh) | 一种知识图谱构建方法、装置、设备及存储介质 | |
| CN115273148B (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
| CN116594563A (zh) | 分布式存储扩容方法、装置、电子设备和存储介质 | |
| CN115470798A (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
| CN117933353A (zh) | 强化学习模型训练方法、装置、电子设备及存储介质 | |
| CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
| CN116933896B (zh) | 一种超参数确定及语义转换方法、装置、设备及介质 | |
| CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
| CN116244413B (zh) | 新意图确定方法、设备和存储介质 | |
| CN113139891B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN114816758B (zh) | 资源分配方法和装置 | |
| CN117519996B (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
| CN117057411B (zh) | 一种大语言模型训练方法、装置、设备及存储介质 | |
| CN117539602A (zh) | 落后者任务推测的方法及装置、电子设备和存储介质 | |
| CN117993478A (zh) | 基于双向知识蒸馏和联邦学习的模型训练方法及装置 | |
| CN116523249A (zh) | 一种生产线确定方法、装置、设备和存储介质 | |
| CN116703963A (zh) | 一种ar跟踪方法、装置、ar设备及存储介质 | |
| CN117632431A (zh) | 云计算任务的调度方法、装置、设备及存储介质 | |
| CN117993275A (zh) | 数据生成模型的训练方法及装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |