Reinforcement Learning Toolbox
Diseñe y entrene políticas con Reinforcement Learning
¿Tiene preguntas? Comuníquese con ventas.
Reinforcement Learning Toolbox ofrece funciones, una app y un bloque de Simulink para entrenar políticas con algoritmos de Reinforcement Learning, tales como DQN, PPO, SAC y DDPG. Estas políticas se pueden emplear para implementar controladores y algoritmos de toma de decisiones para aplicaciones complejas, tales como asignación de recursos, robótica y sistemas autónomos.
Esta toolbox permite representar políticas y funciones de valores con redes neuronales profundas o tablas de búsqueda, y entrenarlas mediante interacciones con entornos modelados en MATLAB o Simulink. Puede evaluar los algoritmos de Reinforcement Learning monoagente o multiagente proporcionados en la toolbox o desarrollar los suyos propios. Puede experimentar con configuraciones de hiperparámetros, supervisar el progreso del entrenamiento y simular agentes entrenados de forma interactiva a través de la app o de forma programática. Para mejorar el rendimiento del entrenamiento, se pueden ejecutar simulaciones en paralelo en varias CPU, GPU, clusters de PC, y la nube (con Parallel Computing Toolbox y MATLAB Parallel Server).
Mediante el formato de modelos ONNX™, se pueden importar políticas existentes desde marcos de Deep Learning tales como TensorFlow™ Keras y PyTorch (con Deep Learning Toolbox). Puede generar código C, C++ y CUDA® optimizado para desplegar las políticas entrenadas en GPU y microcontroladores. Los ejemplos de referencia de esta toolbox le ayudarán a iniciar sus proyectos.
Agentes de Reinforcement Learning
Cree agentes de Reinforcement Learning sin modelos y basados en modelos utilizando algoritmos de uso más frecuente, tales como DQN, PPO y SAC. Si lo prefiere, puede desarrollar sus propios algoritmos personalizados con las plantillas proporcionadas. Utilice el bloque RL Agent para incorporar agentes en Simulink.
App Reinforcement Learning Designer
Diseñe, entrene y simule agentes de Reinforcement Learning interactivamente. Exporte agentes entrenados a MATLAB para su posterior uso y despliegue.
Señales de recompensa
Cree señales de recompensa que midan el éxito del agente en lograr su objetivo. Genere funciones de recompensa automáticamente a partir de especificaciones de control definidas en Model Predictive Control Toolbox o Simulink Design Optimization.
Representación de políticas
Inicie proyectos rápidamente utilizando arquitecturas de redes neuronales sugeridas por la toolbox. Si lo prefiere, puede explorar tablas de búsqueda o definir políticas de redes neuronales manualmente, con capas de Deep Learning Toolbox, y la app Deep Network Designer.
Entrenamiento con Reinforcement Learning
Entrene agentes mediante interacciones con un entorno o empleando datos existentes. Explore el entrenamiento de monoagentes y multiagentes. Registre y visualice datos de entrenamiento, y supervise el progreso sobre la marcha.
Cálculo distribuido
Acelere el entrenamiento utilizando equipos multinúcleo, recursos en la nube o clusters de proceso con Parallel Computing Toolbox y MATLAB Parallel Server. Emplee varias GPU para acelerar operaciones tales como cálculo y predicción de gradientes.
Modelado de entornos
Modele entornos que interactúen perfectamente con agentes de Reinforcement Learning utilizando MATLAB y Simulink. Interactúe con herramientas de modelado de terceros.
Generación y despliegue de código
Genere automáticamente código C/C++ y CUDA a partir de políticas entrenadas para despliegue en dispositivos integrados. Utilice MATLAB Compiler y MATLAB Production Server para desplegar políticas entrenadas en sistemas de producción en forma de aplicaciones independientes, librerías compartidas de C/C++, y mucho más.
Ejemplos de referencia
Diseñe controladores y algoritmos de toma de decisiones para aplicaciones de robótica, conducción autónoma, calibración y planificación, entre otras. Consulte nuestros ejemplos de referencia para iniciarse rápidamente.
Recursos del producto:
“5G es una infraestructura crítica que debemos proteger de ataques adversarios. Con Reinforcement Learning Toolbox podemos evaluar rápidamente vulnerabilidades de 5G e identificar métodos de mitigación”.
Obtenga una versión de prueba gratuita
30 días de exploración a su alcance.
¿Tiene interés en comprar?
Obtenga información sobre precios y explore productos relacionados.
¿Es estudiante?
Es posible que su centro educativo ya ofrezca acceso a MATLAB, Simulink y otros productos complementarios mediante una infraestructura Campus-Wide License.
