知识卡片
双Q分开选动作和估值
先在在线网的下一状态输出里找 argmax,再读取目标网对同一个动作的估值。普通 DQN 在目标网上同时选择与评价,噪声偏高的动作容易因取最大而获选。两个估计分工可减轻这种偏差,但二者仍可能相关。
关联:[[目标网降低自举目标漂移]]。保留慢网络,同时改由在线网选目标动作。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 6.4 DQN算法 · 查看原书依据
随后再用“状态-行为对”代入目标价值网络
参考来源
- 位置:《强化学习入门:从原理到实践》第6章《6.4 DQN算法》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter62.xhtml`,body 子元素 8
- 结论依据:原文说明双 Q 的目标值由两个网络分别承担选择、评价。
- 原始内容:随后再用“状态-行为对”代入目标价值网络