使用AWS Deepracer 探索强化学习
使用 AWS DeepRacer探索强化学习
强化学习（特别是深度强化学习）已被证明可有效解决一系列自主决策问题。它在金融交易、数据中心冷却、车队物流和自动驾驶赛车等领域都有应用。
强化学习有可能解决现实问题。但是，由于其广泛的技术范围和深度，它的学习曲线很艰难。现实世界的实验需要你建造一个物理代理，比如自动驾驶赛车。它还要求您保护物理环境，例如行车道或公共道路。环境可能是成本高昂的、危险的和耗时的。这些要求不仅仅是理解强化学习。
为了帮助缩短学习时间，AWS DeepRacer 通过三种方式简化了流程：
- 在训练和评估强化学习模型时提供 step-by-step 指导。该指南包括预定义的环境、状态和操作，以及可自定义的奖励功能。
- 提供模拟器来模拟虚拟代理和虚拟环境之间的交互。
- 使用 AWS DeepRacer 车辆作为物理代理。使用车辆在物理环境中评估训练后的模型。这与真实的使用案例非常相似。
如果你是一位经验丰富的机器学习从业者，你会发现 AWS DeepRacer 是一个很好的机会，可以在虚拟和物理环境中为自主赛车构建强化学习模型。总而言之，使用 AWS DeepRacer 为自主赛车创建强化学习模型，步骤如下：
- 为自动驾驶比赛训练自定义的强化学习模型。通过使用与 SageMaker AWS 集成的 AWS DeepRacer 控制台来完成此操作 RoboMaker。
- 使用 AWS DeepRacer 模拟器评估模型并在虚拟环境中测试自动赛车。
- 将经过训练的模型部署到 AWS DeepRacer 模型车辆，在物理环境中测试自动驾驶赛车。