知识卡片
策略价值网络学习两类标签
价值头拟合以该状态执棋方视角保存的实际胜负。策略头拟合搜索分布对输出概率的加权对数,目标是把高概率给到搜索更常访问的动作。两个损失共同塑造共享卷积特征,权重衰减可在优化器内实现。
关联:[[共享棋局特征分为双头]]。联合损失分别监督策略分布与终局价值。
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
- 10.4.3 搭建策略价值网络并进行策略提升 · 查看原书依据
定义损失函数 loss = (z - v)^2 - pi^T * log(p)
参考来源
- 位置:《强化学习入门:从原理到实践》第10章《10.4.3 搭建策略价值网络并进行策略提升》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter95.xhtml`,body 子元素 19
- 结论依据:原文代码把价值回归与策略交叉熵联合优化。
- 原始内容:定义损失函数 loss = (z - v)^2 - pi^T * log(p)