原书出处
深度学习详解
14 强化学习 14.2.3 第3步:优化
但是,每一个动作还有采取程度上的差别,每一个状态-动作对(state-action pair)对应一个分数,这个分数代表我们希望机器在看到 的时候,采取动作 的程度.比如,图14.15中第1笔数据的分数为,第3笔数据的分数为 +0.5.这代表我们期待机器在看到 的时候采取动作,在看到 的时候采取动作,但是机器在看到 的时候采取动作 的愿望比看到 的时候采取动作的愿望更强烈一点. 此外,我们希望机器在看到 的时候,不要采取动作,在看到 的时候,也不要采取动作,等等.有了这些数据,我们就可以定义式(14.5)所示的损失函数,之前的交叉熵本来要乘以+1或,现在改为乘以 ,可通过来控制每一个动作被采取的程度.
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter14.xhtml
EPUB SHA-256:35d2d4b7de742e0ce7756e7fb57c534014bf33cecdf0483a75e23cb7446cb7dc