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
立摆的状态s; 第二项,作用在小车上的动作a; 第三项,每个动作对应的累积回报v。 下面我们一一介绍如何获得这些输入。
第一项,小车倒立摆的状态s是与环境交互得到的;第二项,作用在小车上的动作a是由采样网络得到的,在训练过程中充当标签的作用;第三项,每个动作对应的累积回报是由该动作后的回报进行累积并经归一化处理得到的。
因此,该代码可以分为几个关键的函数:策略神经网络的构建,动作选择函数、损失函数的构建,累积回报函数v的处理。下面我们一
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