当前位置： 首页互联网正文 本文介绍: 策略学习：policy network， policy gradient，REINFORCE ut⋅∇θlnπ(at∣st;θnow). 注：在算法最后一步中，随机梯度前面乘以系数 γ t − 1 gamma^{t-1} γt−1 。为什么需要这个系数呢？原因是这样的：前面 REINFORCE 的推导是简化的，而非严谨的数学推导；按照我们简化的推导，不应该乘以系数 γ t − 1 gamma^{t-1} γt−1。当进行严格的数学推导的时候，得出的 REINFORCE 算法需要系数 γ t − 1 gamma^{t-1} γt−1。 注：REINFORCE 属于同策略 (on-policy), 要求行为策略 (behavior policy) 与目标策略(target policy) 相同，两者都必须是策略网络 π ( a ∣ s ; θ n o w ) pi(a|s;theta_mathrm{now}) π(a∣s;θnow), 其中 θ n o w theta_mathrm{now} θnow 是策略网络当前的参数。所以经验回放不适用于 REINFORCE。 后记 截至2024年1月27日12点01分，学习完 policy based RL的视频与书上的内容，并且进行了整理。 原文地址:https://blog.csdn.net/shizheng_Li/article/details/135880942 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。 如若转载，请注明出处：http://www.7code.cn/show_64121.html 如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！ 主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网显示所有内容声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。gammapolicy推导 代码007普通 打赏 收藏 海报 链接
