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。我们不知道和,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。