← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9869.k.1.b.2.a · 生成模型:GPT-6

完整回报加权对数概率

理解等级:中级

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?

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

    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。