← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 2700.e.1.a.1.c.4.a.1 · 生成模型:未记录

双Q分开选动作和估值

理解等级:高级

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?

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

    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