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
同策略学习(on-policy learning)是指要训练的智能体与和环境互动的智能体是同一个智能体,比如策略梯度算法就是同策略的学习算法. 而在异策略学习中,和环境互动的智能体与要训练的智能体是两个智能体,要训练的智能体能够根据另一个智能体和环境互动的经验进行学习,因此异策略学习不需要一直收集数据.同策略学习每更新一次参数就要收集一次数据;异策略学习收集一次数据,就可以更新参数很多次.
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