Entwicklung und Analyse von Auto-Encodern für intelligente Agenten zum Erlernen von Atari-Spielen: Unterschied zwischen den Versionen

Aus IPD-Institutsseminar
Zur Navigation springen Zur Suche springen
 
(2 dazwischenliegende Versionen desselben Benutzers werden nicht angezeigt)
Zeile 5: Zeile 5:
 
|betreuer=Daniel Zimmermann
 
|betreuer=Daniel Zimmermann
 
|termin=Institutsseminar/2020-09-04
 
|termin=Institutsseminar/2020-09-04
|kurzfassung=Aktuell ist die Verwendung von rekurrenten neuronalen Netzen ein Ansatz zum Erlernen von Computerspielen.
+
|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.
Einige dieser Neuronalen Netze scheitern aber an der großen Datenmenge, die bei einem Spielframe vorliegen.
+
Das Ziel dieser Arbeit ist es eine Auto-Encoder-Architektur zu finden, welche Atari-Frames soweit komprimiert, sodass
Auto-Encoder können die Spielframes soweit komprimieren, dass sie für solche Netze verfügbar werden.
 
Das Ziel dieser Arbeit war es eine Auto-Encoder-Architektur zu finden, welche Atari-Frames soweit komprimiert, sodass
 
 
eine möglichst verlustfreie Rekonstruktion möglich ist.
 
eine möglichst verlustfreie Rekonstruktion möglich ist.
Atari-Spiele können so für tiefe neuronale Netzwerke zugänglich gemacht werden.
+
Atari-Spiele können so für CTRNNs zugänglich gemacht werden.
 
Dafür wurden zwei unterschiedliche Atari-Spiele ausgewählt, große Datensätze mit geeigneten Spielframes generiert
 
Dafür wurden zwei unterschiedliche Atari-Spiele ausgewählt, große Datensätze mit geeigneten Spielframes generiert
 
und verschiedene Auto Encoder Architekturen evaluiert.
 
und verschiedene Auto Encoder Architekturen evaluiert.

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.