原书出处
深度学习详解
14 强化学习 14.3.4 使用折扣累积奖励减去基线作为评价标准
好或坏是相对的,假设在游戏里面,每采取一个动作的时候,最低分预设为10 分,因此得到 10 分的奖励算是差的. 用 来表示评估标准会有一个问题,在游戏里面,可能永远都会拿到正的分数,对每一个动作都给出正的分数,只是高低不同, 算出来的结果也都是正的,有些动作其实是不好的,但是我们仍然鼓励模型采取这些动作.因此,我们在版本3中需要做一下标准化,最简单的方法是把所有的 都减掉一个基线,让 有正有负,让特别高的 是正的,而让特别低的 是负的,如图14.19所示.
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