lecture 5 ： policy gradient introduction

 lecture 5 ： policy gradient introduction 求   时运用了 如下一个技巧：                  于是， 由于 则  变为： 在代码实现的时候，用trajactory的平均来估计，即： 接下来又分析了 vanila policy gradient 方法  的 high varience ： 直观上的理解就是，某个概率分布（如图中的r(r), 受

>>阅读原文<<