知识卡片
完整回报加权对数概率
REINFORCE 用当前策略采样一个回合,每个时刻用此后实际得到的折扣回报 Gₜ 近似动作价值,再乘该动作对数概率的梯度。样本中的动作既可能带来好结果也可能效果差,因此这个损失可写成带正负权重的负对数概率。完整回报跨多次随机转移,更新往往波动较大,要用足量回合比较。
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
- 随机策略梯度 8.3.1 REINFORCE方法 · 查看原书依据
由公式可见,REINFORCE使用的是从时间t开始到结束的完整轨迹的回报,因此属于一种蒙特卡罗算法,并且仅适用于完整轨迹情况。算法流程如下。
参考来源
- 位置:《强化学习》第08章《随机策略梯度》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-017.xhtml#isbn9787302538295_8_1_1_5`)
- 结论依据:原文由 Q 的条件期望换成完整回报,案例把回报作为交叉熵的权重。
- 原始内容:由公式可见,REINFORCE使用的是从时间t开始到结束的完整轨迹的回报,因此属于一种蒙特卡罗算法,并且仅适用于完整轨迹情况。算法流程如下。