较低的loss意味着对当前policy的价值预测更准确(对于Q-learning非政策估计来说更复杂,但覆盖度仍将受到当前政策中可达到的经验的限制)。不幸的是,RL中的损失度量不能表示到该政策有多好。
因此,这意味着你的policy已经稳定在一个模式中,你的Q神经网络可以很好地估计价值。由于某种原因,它没有发现对该政策的改进–通常它应该在损失指标下降之前这样做,因为价值估计的每一次改进都应该选取更好的动作,而一旦policy采取了新的动作,价值估计就会过时,导致损失再次增加。
较低的loss意味着对当前policy的价值预测更准确(对于Q-learning非政策估计来说更复杂,但覆盖度仍将受到当前政策中可达到的经验的限制)。不幸的是,RL中的损失度量不能表示到该政策有多好。
因此,这意味着你的policy已经稳定在一个模式中,你的Q神经网络可以很好地估计价值。由于某种原因,它没有发现对该政策的改进–通常它应该在损失指标下降之前这样做,因为价值估计的每一次改进都应该选取更好的动作,而一旦policy采取了新的动作,价值估计就会过时,导致损失再次增加。