原书出处
深入浅出强化学习:原理入门
07 第7章 基于策略梯度的强化学习方法
略梯度。 目标函数为 。 利用参数 产生的数据评估参数 的回报期望,由重要性采样得 导数为 令 ,得到当前策略的导数:
从重要性采样的视角推导策略梯度,不仅得出与似然率的视角相同的结果,更重要的是得到了原来目标函数新的损失函数
: ,下面我们重点从直观上理解一下似然率策略梯度。 前面利用似然率方法推导得出策略梯度公式为 下面分别阐述公式中的 。
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/深入浅出强化学习:原理入门/_epub-src/OEBPS/text00017.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57