![](https://img-blog.csdnimg.cn/20190918140037908.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
机器学习与大语言模型
文章平均质量分 95
机器学习与大语言模型
wuychn
这个作者很懒,什么都没留下…
展开
-
马尔可夫决策过程
马尔可夫决策过程马尔可夫过程马尔可夫性值马尔科夫过程马尔可夫奖励过程回报与价值函数贝尔曼方程马尔可夫决策过程策略马尔科夫决策过程中的价值函数状态价值函数和动作价值函数的 关系贝尔曼期望方程最优价值函数最优策略寻找最优策略贝尔曼最优方程马尔可夫过程马尔可夫性值在随机过程中,马尔可夫性质(Markov property)是指一个随机过程在给定现在状态及所有过去状态情况下,其未来状态的条件概率分布仅依赖于当前状态。即P(st+1∣st)=P(st+1∣s1,⋯ ,st)P(s_{t+1}|s_t)=P(原创 2024-02-29 14:02:56 · 660 阅读 · 0 评论 -
策略迭代和价值迭代
在策略改进中,我们根据当前状态的价值函数来更新策略,使得策略更加贴近最优策略。价值迭代的基本思想是,通过迭代计算状态的价值函数,直到这些价值函数不再发生变化,从而得到最优的状态价值分布。是-4,往下走是-3.875,往左走是-4,往右走是-3.9375,我们在这四个数中选一个最大的,显然,往下走是最大的。相对于策略迭代,值迭代的计算量较小。策略迭代的大概思想是:首先给定一个任意策略,迭代贝尔曼方程,求得当前策略下的值函数,然后根据值函数更新策略,调整后的策略又可以计算值函数,这样循环往复,直到策略收敛。原创 2024-03-12 17:11:11 · 1557 阅读 · 2 评论