知识卡片
蒙特卡洛与时序差分估计价值
价值函数估计给定状态下按某策略继续行动的期望回报。蒙特卡洛方法用完整采样回报作为目标;时序差分方法用即时奖励加下一状态的价值估计自举更新,无需等待完整回合,但估计误差可能传递。
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 14.3.5 Actor-Critic · 查看原书依据
Critic 有两种常用的训练方法:蒙特卡洛方法和时序差分方法.智能体在和环境互动很多轮以后,会得到一些游戏记录.从这些游戏记录可知,看到游戏画面 ,累积奖励为 ;看到游戏画面 ,累积奖励为 .如果使用蒙特卡洛(Monte Carlo,MC)方法,如图14.23 所示,输入 给价值函数 ,其输出 和 越接近越好;将 输入价值函数 ,其输出 和 越接近越好.
参考来源
- 位置:《深度学习详解》第14章《强化学习》14.3.5 Actor-Critic(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter14.xhtml`)
- 结论依据:原文描述折扣、基线、策略数据分布与价值估计,书中示意公式结合上下文说明。
- 原始内容:Critic 有两种常用的训练方法:蒙特卡洛方法和时序差分方法.智能体在和环境互动很多轮以后,会得到一些游戏记录.从这些游戏记录可知,看到游戏画面 ,累积奖励为 ;看到游戏画面 ,累积奖励为 .如果使用蒙特卡洛(Monte Carlo,MC)方法,如图14.23 所示,输入 给价值函数 ,其输出 和 越接近越好;将 输入价值函数 ,其输出 和 越接近越好.