原书出处
深度学习详解
14 强化学习 14.3.5 Actor-Critic
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.
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