原书出处
深度学习详解
14 强化学习 14.3.1 使用即时奖励作为评价标准
以上是版本0,它其实并不是一个好的版本.因为把奖励设为 ,会让智能体变得短视,不再考虑长期收益.每一个动作,其实都会影响接下来的互动. 比如智能体在 采取动作,得到 ,这并不是互动的全部.因为 影响了, 会影响,也就会影响,所以每一个动作并不是独立的,每一个动作都会影响接下来发生的事情.
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