TensorFlow2强化学习手册/中外学者论AI

深度强化学习能够构建 智能体、产品和服务，超越 计算机视觉或感知执行动作 。TensorFlow 2.x是最流行 的深度学习框架的最新主要 版本，用于开发和训练深度 神经网络。 本书介绍了深度强化学 习的基本原理和TensorFlow 的最新版本，同时也介绍了 OpenAl Gym、基于模型和 无模型的强化学习，并学习 如何开发基本智能体。同时 给出了高级深度强化学习算 法（Actor-Critic、深度确定 性策略梯度、深度Q网络、 近端策略优化和深度递归Q 网络等）的实现。

\"陈翔，中山大学电子与信息工程学院教授，电子与信息工程实验教学中心副主任，深圳清华大学研究院兼职主任研究员，深圳空天通信终端应用技术工程实验室副主任。主要研究方向为5G移动通信与网络、卫星通信、软件无线电，在国内外知名期刊和会议上发表论文80余篇，获授权发明专利40余项，获2017年度中国电子学会优秀科技工作者称号。 王玺钧，中山大学电子与信息工程学院副教授。主要研究方向包括智能物联网、无人机通信和群智学习，发表论文90余篇，参撰著作1部，获授权发明专利40余项。 \"

第1章 使用TensorFlow 2.x开发深度强化学习的基本模块 1.1 技术要求 1.2 构建训练强化学习智能体的环境和奖励机制 1.2.1 前期准备 1.2.2 实现步骤 1.2.3 工作原理 1.3 针对离散动作空间和离散决策问题实现基于神经网络的强化学习策略 1.3.1 前期准备 1.3.2 实现步骤 1.3.3 工作原理 1.4 针对连续动作空间和连续控制问题实现基于神经网络的强化学习策略 1.4.1 前期准备 1.4.2 实现步骤 1.4.3 工作原理 1.5 将OpenAI Gym作为强化学习的训练环境 1.5.1 前期准备 1.5.2 实现步骤 1.5.3 工作原理 1.6 构建神经网络智能体 1.6.1 前期准备 1.6.2 实现步骤 1.6.3 工作原理 1.7 构建神经网络进化智能体 1.7.1 前期准备 1.7.2 实现步骤 1.7.3 工作原理 1.8 参考资料 第2章 基于价值、策略和行动者-评论家的深度强化学习算法实现 2.1 技术要求 2.2 构建用于训练强化学习智能体的随机环境 2.2.1 前期准备 2.2.2 实现步骤 2.2.3 工作原理 2.3 构建基于价值的强化学习智能体算法 2.3.1 前期准备 2.3.2 实现步骤 2.3.3 工作原理 2.4 实现时序差分学习 2.4.1 前期准备 2.4.2 实现步骤 2.4.3 工作原理 2.5 构建强化学习中的蒙特卡洛预测和控制算法 2.5.1 前期准备 2.5.2 实现步骤 2.5.3 工作原理 2.6 实现SARSA算法和对应的强化学习智能体 2.6.1 前期准备 2.6.2 实现步骤 2.6.3 工作原理 2.7 构建基于Q学习的智能体