本文章為學習李宏毅老師視頻的學習筆記，視頻鏈接
調整theta，就可以調整選擇trajectory的概率
只能求出該路徑獎勵的期望值，方法是窮舉所有路徑并將獎勵值加和
這么復雜的推導，咱們就是說瞟一眼就可以了，就是求reward的梯度
theta更新程序，
η
\eta
η 是學習率
sample的概念，
R
(
τ
n
)
R(\tau ^n)
R(τn) 是整場游戲采取
a
a
a的獎勵
為了增加sample的正確率，可以將某些reward改為負，增添加baseline來實作，即
b
b
b，最簡單的方式即
b
=
E
(
R
(
τ
)
)
b=E(R(\tau))
b=E(R(τ))
講到45:48然后沒聽了，有緣再見家人們
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/323249.html
標籤：其他
上一篇：＜2021SC@SDUSC＞開源游戲引擎Overload代碼分析三(OvWindowing結束):OvWindowing——Dialogs