知识卡片
DDPG用两对网络分工
用目标演员从后继状态算下一动作,再由目标评判家估其 Q 以构造标签。在线评判家拟合标签,在线演员用评判家对动作的可微反馈朝着更高 Q 调整。目标网缓慢跟随在线网,探索噪声用于实际采集。
关联:[[演员用评判信号改策略]]。演员评判各有目标副本,并使用确定性动作及回放。
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
- 7.4 深度确定性策略梯度算法 · 查看原书依据
分别备份了一套参数来计算行为价值的期待值
参考来源
- 位置:《强化学习入门:从原理到实践》第7章《7.4 深度确定性策略梯度算法》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter70.xhtml`,body 子元素 2
- 结论依据:原文解释在线演员评判家与两份慢目标网络的用途。
- 原始内容:分别备份了一套参数来计算行为价值的期待值