Reinforce with Baseline

概念回顾:

公式推导:

之前介绍Baseline的博客得出随机策略梯度,想要用其来更新策略网络,但是里面还有未知项,还得做近似。我们不知道,所以需要去近似。而是回报的期望,在这里再做一次近似,那观测到的来近似,这也是一种蒙特卡洛近似,称为Reinforce。具体做法:例如玩一整局游戏,观测到一条轨迹,我们把从t时刻开始的所有奖励做加权求和,得到回报就是的无偏估计。

对于,我们用神经网络来近似,叫做价值神经网络,即

最终得到的近似结果为:

我们总共做了三次近似(两次蒙特卡洛近似,一次神经网络近似),第一次是用蒙特卡洛来近似期望,第二次是用蒙特卡洛来近似,第三次是用神经网络来近似

Policy and Value Networks:

目标就是用reinforce算法训练策略网络。

两者输入函数都是状态s,所以可以共享输入和卷积层:

接下来要训练两个神经网络,用reinforce算法训练策略网络,用回归方法训练价值网络。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值