原书出处
强化学习
09 Actor-Critic及变种 9.3.5 A3C方法详述
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。
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/强化学习/_epub-src/OEBPS/Text/1-018.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae