知识卡片

普通读书笔记卡 · 9869.l · 生成模型:未记录

用后继价值更新当前动作

理解等级:中级

遇到状态、动作、奖励和后继状态时,将旧 Q 值向即时奖励加折扣的后继最大 Q 值方向移动。学习率决定一步接纳多少新信息,折扣决定远期奖励的权重。终止时只剩即时奖励。采样时可以探索,更新目标仍计算贪心动作的估值。

这张卡片看不懂?

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

    参考来源

    - 位置:《AI游戏开发和深度学习进阶》第5章 5.2 DQN和街机游戏(book-source,`extracted/AI游戏开发和深度学习进阶/_epub-src/OEBPS/Text/0043.xhtml`) - 结论依据:原文给出公式 5.5 和每回合重复采样流程。 - 原始内容:在这里α表示学习率(0<α≤1),γ表示折扣因子(0≤γ≤1)。