知识卡片
策略梯度用回报加权动作概率
随机策略为给定观测的各动作分配概率,采样交互后可用回报或优势估计加权动作的对数概率,调整策略参数:相对好的动作概率倾向提高,相对差的动作倾向降低。这里是基于样本的梯度估计,环境本身无须可微。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 强化学习 14.2.3 第3步:优化 · 查看原书依据
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.
参考来源
- 位置:《深度学习详解》第14章《强化学习》14.2.3 第3步:优化(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter14.xhtml`)
- 结论依据:原文描述交互过程、按动作评分加权训练及即时奖励的短视。
- 原始内容: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.