Catherine_he_ye的博客

TRPO、PPO算法

MARL基本概念

谈及AlphaGo中的强化学习知识

Actor-Critic方法王树森深度强化学习基础：actor-critic方法No.1 Value Network & Policy Network拿最近火的奥运举个可能不咋恰当的例子，可以这样理解actor是一个体操运动员，他可以做动作，如果他想拿金牌，他就得改进自己的动作，可是他不知道怎么改进自己，就需要裁判给运动员打分，运动员就知道什么动作分数高什么动作分数低。同时训练策略网络和价值网络，就被称作Actor-Critic Method。No.2 Train the Neural

深度强化学习基础：策略学习王树森深度强化学习基础：策略学习No.1 Policy Network当有无数个状态和无数个动作时，不可能将每一个状态和动作概率记录在一张表里，这样就无法直接算策略函数，所以得做函数近似，寻出来一个函数来近似策略函数。当用神经网络近似时，…No.2 Policy-Based Reinforcement Learning 策略学习策略学习的目标：改进θ，使J(θ)越大越好。No.3 Policy Gradient 策略梯度No.4 Update policy

强化学习基础：价值学习王树森深度强化学习基础：价值学习No.1 Deep Q-Network (DQN)DQN 是一个价值学习的方法，用一个神经网络去近似Q*函数。DQN 的输入是s，w为神经网络的参数，输出是对每一个动作a的打分。怎么训练DQN呢？ 最常用的是TD算法。No.2 Temporal Difference (TD) LearningTD算法即使不完成旅程，也能更新参数。No.3 TD Learning for DQNNo.4 Summary...

Terminology（术语）in RL王树森的B站强化学习视频No.1 state and action 状态和动作state：状态，action：动作，Agent（智能体）：动作的发起者.No.2 policy 策略记为π函数policy：根据观测到的状态做出的决策来控制agent运动数学上，policy的π函数定义为概率密度函数。policy function π：(s,a)➡[0,1]: π(a|s)=P(A=a|S=s).No.3 reward 奖励 & re