Entwicklung und Analyse von Auto-Encodern für intelligente Agenten zum Erlernen von Atari-Spielen: Unterschied zwischen den Versionen
Zur Navigation springen
Zur Suche springen
(Die Seite wurde neu angelegt: „{{Vortrag |vortragender=Annika Kies |email=uvvbo@student.kit.edu |vortragstyp=Bachelorarbeit |betreuer=Daniel Zimmermann |termin=Institutsseminar/2020-09-11 |k…“) |
|||
| (6 dazwischenliegende Versionen von 2 Benutzern werden nicht angezeigt) | |||
| Zeile 4: | Zeile 4: | ||
|vortragstyp=Bachelorarbeit | |vortragstyp=Bachelorarbeit | ||
|betreuer=Daniel Zimmermann | |betreuer=Daniel Zimmermann | ||
| − | |termin=Institutsseminar/2020-09- | + | |termin=Institutsseminar/2020-09-04 |
| − | |kurzfassung= | + | |kurzfassung=Ein neuartiger Ansatz zum Erlernen von Computerspielen ist die Verwendung von neuronalen Netzen mit Gedächtnis (speziell CTRNNs). Die großen Datenmengen in Form roher Pixel-Daten erschweren jedoch das Training. Auto-Encoder können die diese Pixel-Daten der Spielframes soweit komprimieren, dass sie für solche Netze verfügbar werden. |
| + | Das Ziel dieser Arbeit ist es eine Auto-Encoder-Architektur zu finden, welche Atari-Frames soweit komprimiert, sodass | ||
| + | eine möglichst verlustfreie Rekonstruktion möglich ist. | ||
| + | Atari-Spiele können so für CTRNNs zugänglich gemacht werden. | ||
| + | Dafür wurden zwei unterschiedliche Atari-Spiele ausgewählt, große Datensätze mit geeigneten Spielframes generiert | ||
| + | und verschiedene Auto Encoder Architekturen evaluiert. | ||
| + | Im Rahmen dieser Arbeit konnte gezeigt werden, dass eine ausreichende Kompression mit akzeptierbaren Qualitätsverlust | ||
| + | möglich ist. | ||
}} | }} | ||
Aktuelle Version vom 21. August 2020, 11:49 Uhr
| Vortragende(r) | Annika Kies | |
|---|---|---|
| Vortragstyp | Bachelorarbeit | |
| Betreuer(in) | Daniel Zimmermann | |
| Termin | Fr 4. September 2020 | |
| Vortragsmodus | ||
| Kurzfassung | Ein neuartiger Ansatz zum Erlernen von Computerspielen ist die Verwendung von neuronalen Netzen mit Gedächtnis (speziell CTRNNs). Die großen Datenmengen in Form roher Pixel-Daten erschweren jedoch das Training. Auto-Encoder können die diese Pixel-Daten der Spielframes soweit komprimieren, dass sie für solche Netze verfügbar werden.
Das Ziel dieser Arbeit ist es eine Auto-Encoder-Architektur zu finden, welche Atari-Frames soweit komprimiert, sodass eine möglichst verlustfreie Rekonstruktion möglich ist. Atari-Spiele können so für CTRNNs zugänglich gemacht werden. Dafür wurden zwei unterschiedliche Atari-Spiele ausgewählt, große Datensätze mit geeigneten Spielframes generiert und verschiedene Auto Encoder Architekturen evaluiert. Im Rahmen dieser Arbeit konnte gezeigt werden, dass eine ausreichende Kompression mit akzeptierbaren Qualitätsverlust möglich ist. | |