知识卡片
A3C用短轨迹估计多步优势
A3C 的每个学习者从本地策略收集一段轨迹,末端若未真正结束就读评论家的值,倒序叠加奖励构造多个步长的目标。用这些目标训练评论家,并用目标减本地价值训练行动者。积累的梯度推送到全局参数,再把全局参数拉回本地。熵奖励可以鼓励策略在训练中保留动作多样性。
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
- Actor-Critic及变种 9.3.5 A3C方法详述 · 查看原书依据
因为一步的时序差分更新速度太慢,一个训练样本仅能影响一个价值函数的更新。为了使得模型更新速度加快,并且更好地平衡偏差和方差,我们使用n步回报估计法,将上面的式子进一步展开。不仅使用下一时刻的回报,而且将此后更多时刻的回报加入目标值中。
参考来源
- 位置:《强化学习》第09章《Actor-Critic及变种》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-018.xhtml#isbn9787302538295_9_1_1_8`)
- 结论依据:原文给出 n 步优势和共享参数更新过程,钟摆案例另展示熵项。
- 原始内容:因为一步的时序差分更新速度太慢,一个训练样本仅能影响一个价值函数的更新。为了使得模型更新速度加快,并且更好地平衡偏差和方差,我们使用n步回报估计法,将上面的式子进一步展开。不仅使用下一时刻的回报,而且将此后更多时刻的回报加入目标值中。