原书出处
强化学习
13 博弈强化学习 13.6.3 蒙特卡罗树搜索
其中,Cpuct是重要的超参数,用以平衡探索与利用。当Cpuct较大时,驱使搜索树向未知区域探索,反之则驱使搜索树快速收敛。表示经过状态s的累积次数。P(s,a)为深度神经网络fθ(s)输出的对应动作a的概率值,其作为先验概率被事先存储于搜索树的分枝中。
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/1-022.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae