原书出处
强化学习
10 确定性策略梯度 10.3.3 算法流程
其中,。yi的计算用到了目标Critic网络Q'和目标Actor网络μ',这样做是为了Q网络参数的学习过程更加稳定,易于收敛。有了损失函数L,就可以基于标准的后向传播方法,求得L针对θQ的梯度。对其进行优化更新,得到θQ。
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/1-019.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae