- 博客(4)
- 收藏
- 关注
RSS订阅
1原创 3、强化学习笔记-策略学习
该方法需要agent玩完一局游戏，观测到所有奖励，然后才能更新策略网络。由于神经网络的复杂性，直接用积分求期望十分复杂，因此使用蒙特卡洛做近似。softmax：输出的都是正数，且加和都为1。使用梯度上升来更新θ。
2023-08-08 22:23:51
20
原创 2、强化学习笔记-价值学习
使用TD算法，必须要有如下所示的等式，等式一侧有一项，另一侧有两项，且两项 中有一项是真实观测到的。TD算法的目标：使TD Error接近于0，使用梯度下降来减少Error。（1）naive的方法：只有完成整个任务才能更新模型。深度强化学习中也有类似公式， rt为真实观测奖励。（2）在任务完成的中间进行模型更新。α：学习率（或步长）
2023-08-06 16:11:45
24
原创 1、强化学习笔记-基本概念
能够去掉动作价值函数中的π：使用最好的策略π，使Qπ最大化。意义：评价当前状态好坏，比如下围棋根据棋盘来判断输赢情况。意义：Q*可以用来评价当前状态下不同动作的好坏。强化学习的目标：学习策略π或者Q*函数。动作价值函数：与具体的策略π有关。我们希望return越大越好。
2023-08-05 22:41:40
27
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人