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”.
Preguntas frecuentes sobre Reinforcement Learning Toolbox
Reinforcement Learning Toolbox es un producto de MATLAB que proporciona una aplicación, funciones y un bloque de Simulink para entrenar políticas utilizando algoritmos de Reinforcement Learning, incluidos DQN, PPO, SAC y DDPG, para aplicaciones como robótica, asignación de recursos y sistemas autónomos.
La toolbox admite algoritmos sin modelo como DQN, PPO, SAC y DDPG, así como agentes basados en modelos y el desarrollo de algoritmos personalizados mediante las plantillas proporcionadas.
Sí. Reinforcement Learning Toolbox incluye un bloque RL Agent que permite integrar agentes de Reinforcement Learning directamente en modelos de Simulink para el entrenamiento de uno o varios agentes.
Puede representar políticas y funciones de valor utilizando redes neuronales profundas o tablas de búsqueda (look-up tables), con soporte para las arquitecturas sugeridas por Reinforcement Learning Toolbox o para redes personalizadas creadas con Deep Learning Toolbox y la aplicación Deep Network Designer.
La aplicación Reinforcement Learning Designer permite diseñar, entrenar y simular interactivamente agentes de Reinforcement Learning sin escribir código, y posteriormente exportar los agentes entrenados a MATLAB para su uso y despliegue.
Puede acelerar el entrenamiento ejecutando simulaciones en paralelo en múltiples CPU, GPU, clústeres de cálculo o recursos en la nube mediante Parallel Computing Toolbox y MATLAB Parallel Server, con soporte de GPU para el cálculo de gradientes y las operaciones de predicción.
Puede generar automáticamente código optimizado en C, C++ y CUDA para desplegar las políticas entrenadas en microcontroladores y GPU, o utilizar MATLAB Compiler y MATLAB Production Server para desplegarlas como aplicaciones independientes o bibliotecas compartidas.
Sí. Puede importar políticas existentes desde frameworks como TensorFlow Keras y PyTorch mediante el formato de modelo ONNX utilizando Deep Learning Toolbox.
Puede modelar entornos en MATLAB utilizando plantillas o funciones, en Simulink para representar dinámicas complejas, o conectarse con herramientas de modelado de terceros para interactuar de forma fluida con agentes de Reinforcement Learning.
Prueba gratuita de Reinforcement Learning Toolbox
Descubra nuestros productos.
¿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.
