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

Aus SDQ-Institutsseminar
Keine Bearbeitungszusammenfassung
Keine Bearbeitungszusammenfassung
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).
Einige dieser Neuronalen Netze scheitern aber an der großen Datenmenge, die bei einem Spielframe vorliegen.
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.
Auto-Encoder können die 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
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 tiefe neuronale Netzwerke zugänglich gemacht werden.

Version vom 21. August 2020, 10:48 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 tiefe neuronale Netzwerke 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.