原书出处
强化学习
13 博弈强化学习 13.6.1 下棋原理
(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:
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