知识卡片
软更新让目标参数缓慢跟随
初始可直接复制,训练时每步仅向在线参数靠近 τ 比例。τ 很小时目标变化慢,过小也会使目标长期滞后。在线演员更新时对当前演员生成的动作求梯度,回放动作则用于训练评判家。
关联:[[DDPG用两对网络分工]]。对目标副本使用小步参数平均。
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
- 7.5.4 DDPG算法的实现 · 查看原书依据
y = tau * x + (1 - tau)*y
参考来源
- 位置:《强化学习入门:从原理到实践》第7章《7.5.4 DDPG算法的实现》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter75.xhtml`,body 子元素 4
- 结论依据:原文用在线参数与当前目标参数加权更新。
- 原始内容:y = tau * x + (1 - tau)*y