Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
stanford-cs234-notes-zh
提交
8c4ac8f8
S
stanford-cs234-notes-zh
项目概览
OpenDocCN
/
stanford-cs234-notes-zh
通知
8
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
S
stanford-cs234-notes-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
8c4ac8f8
编写于
9月 15, 2019
作者:
X
xiaowei_xing
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
test
上级
b0ca0305
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
9 addition
and
1 deletion
+9
-1
docs/8&9.md
docs/8&9.md
+9
-1
未找到文件。
docs/8&9.md
浏览文件 @
8c4ac8f8
...
@@ -367,4 +367,12 @@ $$
...
@@ -367,4 +367,12 @@ $$
$$
$$
\n
abla_{
\t
heta} V(
\t
heta) =
\n
abla_{
\t
heta}
\m
athbb{E}_ {
\t
au
\s
im
\p
i_{
\t
heta}}[R(
\t
au)] =
\m
athbb{E}_ {
\p
i_{
\t
heta}}[
\s
um_{t=0}^{T-1}(G_t-b(s_t))
\n
abla_{
\t
heta}
\l
og
\p
i_{
\t
heta}(a_t|s_t)]。
\n
abla_{
\t
heta} V(
\t
heta) =
\n
abla_{
\t
heta}
\m
athbb{E}_ {
\t
au
\s
im
\p
i_{
\t
heta}}[R(
\t
au)] =
\m
athbb{E}_ {
\p
i_{
\t
heta}}[
\s
um_{t=0}^{T-1}(G_t-b(s_t))
\n
abla_{
\t
heta}
\l
og
\p
i_{
\t
heta}(a_t|s_t)]。
$$
$$
\ No newline at end of file
首先,为什么我们要这样做?直观地说,我们可以认为 $(G_t-b(s_t))$ 是对时间步 $t$ 之后我们做得比预期的基准 $b(s_t)$ 要好多少的估计。所以,如果基准近似等于期望回报 $b(s_t)
\a
pprox
\m
athbb{E}[r_t+r_{t+1}+...+r_{T-1}]$,那么我们将按照回报 $G_t$ 比期望好多少,成比例地增大动作 $a_t$ 的对数概率(log-probability)。过去,我们按照 $G_t$ 的大小,成比例地增大对数概率,所以即使策略总是能达到期望回报,我们仍会采用梯度更新,这可能导致其发散。$(G_t-b(s_t))$ 通常被称为优势(advantage),$A_t$。我们可以根据一个采样的轨迹 $
\t
au^{(i)}$ 来估计真实的优势:
$$
\h
at{A}_t=(G_t^{(i)}-b(s_t))。
$$
第二,为什么我们可以这样做?结果表明,用这种方式减去一个基准并不会在梯度计算中引入任何偏差。$
\m
athbb{E}_{
\t
au}[b(s_t)
\n
abla_{
\t
heta}
\l
og
\p
i_{
\t
heta}(a_t|s_t)]$ 为 $0$,因此不会影响梯度更新。
\ No newline at end of file
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录