本文介绍了强化学习中的Policy Gradient方法，详细阐述了策略梯度的基本原理，包括策略、损失函数、衰减的累加期望以及动作选择策略。通过具体的例子解释了如何根据奖励调整动作概率，并提到了在连续动作空间中的优势以及收敛问题。
昨天收到一个新的订阅通知，很是欣喜，感谢订阅同学的支持。
还以为这个专栏没有人关注了呐，一直也没什么兴趣更新。
为了回馈大家的支持，继续更新一篇。
今天写一下强化学习力的 Policy Gradient，这个之前的时候一直不太懂了，回头看确实蛮简单的。
1、Policy Gradient 到底咋回事
强化学习四要素：状态(state)、动作(action)、策略（policy）、奖励(reward)。
| 名词 | 解释 |
|---|---|
| 智能体 | 学习器与决策者的角色。 |
| 环境 | 智能体之外一切组成的、与之交互的事物。 |
| 动作 | 智能体的行为表征。 |
| 状态 | 智能体从环境获取的信息。 |
| 奖励 | 环境对于动作的反馈。 |
| 策略 | 智能体根据状态进行下一步动作的函数。 |
| 状态转移概率 | 智能体做出动作后进入下一状态的概率。 |
Policy Gradient 翻译过来就是策略梯度，就是训练策略这个神经网络。
2、损失函数是什么？
Policy Gradien
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
