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
控制了参数更新的方向和步长。 为正且越大则参数更新后该轨迹的概率越大; 为负,则降低该轨迹的概率,抑制该轨迹的发生。
因此,从直观上理解策略梯度时,我们发现策略梯度会增加高回报路径的概率,减小低回报路径的概率。如图7.4所示,高回报区域的轨迹概率被增大,低回报区域的轨迹概率被减小。
图7.4 策略梯度的直观理解示意图 前面推导出策略梯度的求解公式为 现在,我们解决似然率的梯度问题,即如何求 。 已知
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