强化学习3-策略梯度(policy gradient)

本文探讨了强化学习中的策略梯度方法,对比了它与value-based方法的区别,如输出形式与选取行动的方式。策略梯度直接输出条件概率p(a|s),并在整个episode结束后更新,而Actor-Critic方法是其一例。文中引用多个参考资料以深入讲解。
摘要由CSDN通过智能技术生成

1. value-based和policy gradient的不同:
a. 输出不同: value-based方法 (Q learning, Sara)输出的是 p ( s ) p(s) p(s) p ( s , a ) p(s,a) p(s,a); Policy gradient输出的 p ( a ∣ s ) p(a|s)

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
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