知识卡片
策略梯度给回报好的动作加权
分值是动作对数概率对策略参数的梯度。乘该次回报后,可用一条样本形成上升方向。此方向有统计含义,一次回合的表现好不表示动作总好。梯度定理连接了动作概率的变化与长期回报。
关联:[[连续策略直接产生动作]]。给参数化策略定义可采样的改进方向。
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
- 7.2 策略目标函数 · 查看原书依据
使用某个状态的收获Gt来作为基于策略πθ下行为价值的无偏采样
参考来源
- 位置:《强化学习入门:从原理到实践》第7章《7.2 策略目标函数》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter68.xhtml`,body 子元素 28
- 结论依据:原文以采样回报和分值函数构造策略梯度估计。
- 原始内容:使用某个状态的收获Gt来作为基于策略πθ下行为价值的无偏采样