本文介绍了基于神经网络的Deep Q Network (DQN) 方法，重点讲述了DQN算法的训练过程，包括随机经验回放和Target Q网络的概念。通过时间差分算法确定目标Q值，并使用梯度下降策略更新Q网络和Target Q网络的参数。Experience Replay作为DQN的重要组成部分，通过存储和随机采样样本来改善学习效果。
Deep Q Nework 方法：
训练数据采用随机经验回放。TD回退结合TargetQ网络预测预估出一个目标量，再用Q网络预测的现实值，目标量与现实值差值更新两个网络的参数集合。
DeepQ Network算法的详细解释：
需要明白两个概念，一个是Q网络，一个是targrtQ网络，Q网络是我们预测网络，targrt Q网络可以认为是我们的训练网络，训练的目标是找到目标Q值：，这里目标Q值的定义依据时间差分算法（n-step TD，一般采用单步时差更新，步数越长，参考的奖励值数量也越多，网络的远见能力越强，），认为目标Q
336
9361
733
2854
5534
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
扫一扫
