李宏毅强化学习笔记【3.Actor-Critic】
复习策略梯度policy gradient 计算在某一个state，采取action a的概率。到游戏结束为止，获得多少reward。 G很不稳定。除非sample很多。 复习Q-learning 用期望代替sample，value-based 第一种方法算V，用π和环境做互动，看到s之后，累计reward期望值是多少。 第二种方法，用π，当再s采取a，累计reward是多少。 TD比较稳，M
相关文章
- 1. 强化学习--李宏毅
- 2. 李宏毅强化学习笔记【0.强化学习导论】
- 3. 李宏毅强化学习学习笔记-policy gradient and PPO
- 4. 【笔记2-3】李宏毅深度强化学习笔记（三）Q-Learning
- 5. 李宏毅强化学习1
- 6. 【李宏毅-强化学习笔记】p1-p2、PPO
- 7. 李宏毅深度强化学习笔记（七）Sparse Reward
- 8. 李宏毅强化学习笔记【5.Imitation Learning】
- 9. 【完结】李宏毅深度强化学习笔记（五）Sparse Reward
- 10. 【完结】李宏毅深度强化学习笔记（四）Actor-Critic
- 更多相关文章...
- • 您已经学习了 XML Schema，下一步学习什么呢？ - XML Schema 教程
- • 我们已经学习了 SQL，下一步学习什么呢？ - SQL 教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • 适用于PHP初学者的学习线路和建议
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
