知识卡片
DDPG目标需要两套延迟副本
DDPG 的在线评论家拟合历史转移中的实际动作,在线行动者则通过同一个评论家对自己当前输出的动作求梯度。计算训练目标时,目标行动者先根据下一状态选动作,再由目标评论家估值,连同即时奖励形成目标。两张目标网用在线网做慢速指数滑动平均,τ 小时旧目标占比大。回放缓冲区为两张在线网提供历史状态和转移。
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
- 确定性策略梯度 10.3.3 算法流程 · 查看原书依据
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。
参考来源
- 位置:《强化学习》第10章《确定性策略梯度》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-019.xhtml#isbn9787302538295_10_1_1_8`)
- 结论依据:原文列出四张网络及各自输入输出,并以滑动平均更新两套目标参数。
- 原始内容: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。