知识卡片
离散和连续策略如何采样
有限动作可把每个得分指数归一化为选择概率。连续动作可令网络输出高斯均值,再采样。在固定方差的一维高斯中,均值方向的分值正比于动作减均值。更新需要概率加权的梯度,不能普遍用把负回报动作简单取反替代。
关联:[[策略梯度给回报好的动作加权]]。两类概率模型提供可算对数概率梯度的接口。
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
该分布中采样得到一个具体的行为分量
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 26
- 结论依据:原文并列 Softmax 与高斯策略并解释连续采样。
- 原始内容:该分布中采样得到一个具体的行为分量