Posts

How Deep Q-Networks Work 04/25/2021

The Introduction

Understanding deep Q-networks begins with understanding Q-learning. A poor analogy would be thinking of Q-learning as pre-calculus to DQN's calculus. They in theory do the same stuff but if you want to handle more, be more efficient and/or scale up then you want to put away doing derivations by using the definition and begin using more powerful tools.

Q-Learning

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Etiam porta, libero a egestas gravida, augue sapien dignissim urna, sed varius ligula neque et risus. Praesent nisi lacus, dapibus ut nunc eget, feugiat fringilla dui. Phasellus rhoncus, massa sit amet varius lobortis, magna sapien consectetur libero, id dignissim metus dolor id eros. Class aptent taciti sociosqu ad litora torquent per conubia nostra, per inceptos himenaeos. Maecenas mattis pretium sem, blandit pulvinar est hendrerit quis. Sed ut ultrices augue, ut cursus mi. Duis interdum ipsum velit, vel vestibulum ante maximus in. Mauris pretium nisl dui, in suscipit nisi tristique eget. Pellentesque sed porttitor urna, vitae viverra massa. Sed porttitor efficitur semper. Nulla elit augue, scelerisque at ligula eu, ultricies luctus metus. Fusce dapibus ligula eget nisi dictum, at bibendum lacus bibendum. Aenean ornare in lacus eget convallis. Pellentesque ac sapien eget lectus tincidunt interdum ac eu nisl.

The Basis

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Etiam porta, libero a egestas gravida, augue sapien dignissim urna, sed varius ligula neque et risus. Praesent nisi lacus, dapibus ut nunc eget, feugiat fringilla dui. Phasellus rhoncus, massa sit amet varius lobortis, magna sapien consectetur libero, id dignissim metus dolor id eros. Class aptent taciti sociosqu ad litora torquent per conubia nostra, per inceptos himenaeos. Maecenas mattis pretium sem, blandit pulvinar est hendrerit quis. Sed ut ultrices augue, ut cursus mi. Duis interdum ipsum velit, vel vestibulum ante maximus in. Mauris pretium nisl dui, in suscipit nisi tristique eget. Pellentesque sed porttitor urna, vitae viverra massa. Sed porttitor efficitur semper. Nulla elit augue, scelerisque at ligula eu, ultricies luctus metus. Fusce dapibus ligula eget nisi dictum, at bibendum lacus bibendum. Aenean ornare in lacus eget convallis. Pellentesque ac sapien eget lectus tincidunt interdum ac eu nisl.

Content 1

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Etiam porta, libero a egestas gravida, augue sapien dignissim urna, sed varius ligula neque et risus. Praesent nisi lacus, dapibus ut nunc eget, feugiat fringilla dui. Phasellus rhoncus, massa sit amet varius lobortis, magna sapien consectetur libero, id dignissim metus dolor id eros. Class aptent taciti sociosqu ad litora torquent per conubia nostra, per inceptos himenaeos. Maecenas mattis pretium sem, blandit pulvinar est hendrerit quis. Sed ut ultrices augue, ut cursus mi. Duis interdum ipsum velit, vel vestibulum ante maximus in. Mauris pretium nisl dui, in suscipit nisi tristique eget. Pellentesque sed porttitor urna, vitae viverra massa. Sed porttitor efficitur semper. Nulla elit augue, scelerisque at ligula eu, ultricies luctus metus. Fusce dapibus ligula eget nisi dictum, at bibendum lacus bibendum. Aenean ornare in lacus eget convallis. Pellentesque ac sapien eget lectus tincidunt interdum ac eu nisl.

Figure 1

Citations

© 2023 Bryan Gass. All Rights Reserved.