← 返回卡片

原书出处

强化学习

13 博弈强化学习 13.6.1 下棋原理

第1版 · 核验版本的摘录快照 · 导入于 2026-11-20T14:51:48.896Z

(5)进行神经网络训练,更新网络参数θ。蒙特卡罗搜索得出的落子概率π比仅基于神经网络fθ输出的落子概率p更准确强大,因此,训练神经网络时候,要最大限度地提高网络输出概率p和搜索概率π的相似度。同时,要尽量减小神经网络预测值V和自我博弈结果z的误差。具体来说,通过使用均方误差和交叉熵一起构成损失函数l,利用梯度下降来调整参数θ,公式如下:

此预览只包含定位所需的摘录和上下文。

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/1-022.xhtml

EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae