Reinforcement Learning Toolbox
Concevoir et entraîner des politiques avec le Reinforcement Learning
Vous avez des questions ? Contacter l’équipe commerciale.
Reinforcement Learning Toolbox propose une application, des fonctions et un bloc Simulink pour entraîner des politiques avec des algorithmes de Reinforcement Learning comme DQN, PPO, SAC et DDPG. Vous pouvez utiliser ces politiques pour implémenter des contrôleurs et des algorithmes décisionnels pour des applications complexes comme l'allocation des ressources, la robotique et les systèmes autonomes.
La toolbox vous permet de représenter les politiques et les fonctions de valeur avec des réseaux de neurones profonds ou des lookup tables, et de les entraîner à travers des interactions avec des environnements modélisés dans MATLAB ou Simulink. Vous pouvez évaluer les algorithmes de Reinforcement Learning simple ou multi-agents proposés par la toolbox ou bien développer les vôtres. Vous pouvez tester différents réglages des hyperparamètres, suivre la progression de l'apprentissage et simuler des agents entraînés de façon interactive avec l'application ou bien programmatiquement. Pour améliorer les performances de l’apprentissage, vous pouvez exécuter plusieurs simulations en parallèle sur le cloud, sur des clusters et sur plusieurs CPU et GPU (avec Parallel Computing Toolbox et MATLAB Parallel Server).
En utilisant le format de modèle ONNX™, vous pouvez importer des politiques existantes à partir d’environnements de Deep Learning tels que TensorFlow™ Keras et PyTorch (avec Deep Learning Toolbox). Vous pouvez générer du code optimisé C, C++ et CUDA® pour déployer des politiques entraînées sur des microcontrôleurs et des GPU. La toolbox propose des exemples de référence pour vous aider à démarrer.
Les agents du Reinforcement Learning
Créez des agents de Reinforcement Learning avec et sans modèle en exploitant des algorithmes populaires tels que DQN, PPO et SAC. Vous pouvez également développer vos propres algorithmes personnalisés en utilisant les modèles proposés. Utilisez le bloc RL Agent pour intégrer vos agents dans Simulink.
Application Reinforcement Learning Designer
Concevez, entraînez et simulez des agents de Reinforcement Learning de manière interactive. Exportez des agents entraînés vers MATLAB pour une utilisation et un déploiement ultérieurs.
Signaux de récompense
Créez des signaux de récompense qui mesurent à quel point l'agent parvient à remplir son objectif. Générez automatiquement des fonctions de récompense à partir des spécifications de contrôle définies dans Model Predictive Control Toolbox ou Simulink Design Optimization.
Représentation de politiques
Démarrez rapidement en utilisant les architectures de réseaux de neurones suggérées par la toolbox. Vous pouvez également explorer les lookup tables ou définir des politiques de réseaux de neurones manuellement, grâce aux couches dans Deep Learning Toolbox et à l'application Deep Network Designer.
Apprentissage par Reinforcement Learning
Entraînez des agents à travers des interactions avec un environnement ou en utilisant des données existantes. Découvrez l'apprentissage simple et multi-agents. Enregistrez et visualisez les données d'apprentissage, et surveillez les progrès réalisés au fur et à mesure.
Calcul distribué
Accélérez l’apprentissage en utilisant des ordinateurs multicœurs, des ressources cloud ou des clusters de calcul avec Parallel Computing Toolbox et MATLAB Parallel Server. Tirez parti des GPU pour accélérer les opérations telles que le calcul de gradient et la prédiction.
Générer et déployer du code
Générez automatiquement du code C/C++ et CUDA à partir de politiques entraînées pour un déploiement sur des dispositifs embarqués. Utilisez MATLAB Compiler et MATLAB Production Server pour déployer des politiques entraînées sur des systèmes de production en tant qu'applications autonomes, bibliothèques partagées C/C++, et plus encore.
Exemples de référence
Concevez des contrôleurs et des algorithmes décisionnels pour la robotique, la conduite autonome, le calibrage, la planification et pour d'autres applications. Consultez nos exemples de référence pour démarrer rapidement.
Ressources liées au produit :
« La 5G est une infrastructure critique que nous devons protéger contre les attaques. Reinforcement Learning Toolbox nous permet d'évaluer rapidement les vulnérabilités de la 5G et d'identifier des méthodes d'atténuation. »
FAQ sur Reinforcement Learning Toolbox
Reinforcement Learning Toolbox est un produit MATLAB qui fournit une application, des fonctions et un bloc Simulink pour entraîner des politiques à l'aide d'algorithmes de Reinforcement Learning, notamment DQN, PPO, SAC et DDPG, pour des applications telles que la robotique, l'allocation de ressources et les systèmes autonomes.
La toolbox prend en charge des algorithmes sans modèle tels que DQN, PPO, SAC et DDPG, ainsi que des agents basés sur un modèle et le développement d'algorithmes personnalisés à l'aide des modèles fournis.
Oui. La toolbox inclut un bloc RL Agent qui permet d'intégrer directement des agents de Reinforcement Learning dans des modèles Simulink pour l'entraînement mono-agent ou multi-agent.
Vous pouvez représenter les politiques et les fonctions de valeur à l'aide de réseaux de neurones profonds ou de tables de correspondance, avec prise en charge des architectures suggérées par la toolbox ou de réseaux personnalisés créés avec Deep Learning Toolbox et l'application Deep Network Designer.
L'application Reinforcement Learning Designer permet de concevoir, d'entraîner et de simuler de manière interactive des agents de Reinforcement Learning sans écrire de code, puis d'exporter les agents entraînés vers MATLAB pour une utilisation et un déploiement ultérieurs.
Vous pouvez accélérer l'entraînement en exécutant des simulations parallèles sur plusieurs CPU, GPU, clusters informatiques ou ressources cloud à l'aide de Parallel Computing Toolbox et MATLAB Parallel Server, avec prise en charge des GPU pour le calcul des gradients et les prédictions.
Vous pouvez générer automatiquement du code optimisé en C, C++ et CUDA pour déployer les politiques entraînées sur des microcontrôleurs et des GPU, ou utiliser MATLAB Compiler et MATLAB Production Server pour les déployer sous forme d'applications autonomes ou de bibliothèques partagées.
Oui. Vous pouvez importer des politiques existantes depuis des frameworks tels que TensorFlow Keras et PyTorch via le format de modèle ONNX à l'aide de Deep Learning Toolbox.
Vous pouvez modéliser des environnements dans MATLAB à l'aide de modèles ou de fonctions, dans Simulink pour des dynamiques complexes, ou interfacer des outils de modélisation tiers afin d'interagir de manière transparente avec des agents de Reinforcement Learning.
Essayez Reinforcement Learning Toolbox gratuitement
Découvrez nos produits.
Prêt à acheter ?
Découvrez les tarifs et les produits.
Vous êtes étudiant ?
Votre établissement propose peut-être déjà un accès à MATLAB, Simulink et d'autres produits complémentaires via la licence Campus-Wide.
