本文主要是介绍P114 增强学习 RL ---没懂,以后再补充,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
sample: 如 70% 的概率向左 20%的概率向右 10% 的概率开火
不是left 分数最高,就直接向左。而是随机sample
total reward (return) R 就是优化的目标,分数越高约好
-total reward= loss
Policy Gradient
当环境是s 时
这篇关于P114 增强学习 RL ---没懂,以后再补充的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!