qq_45590357的博客

原创 Proximal Policy Optimization(PPO)算法实现gym连续动作空间任务Pendulum-v0（pytorch）

目录1.ppo算法概述2.Pendulum-v03.代码实现1.ppo算法概述PG算法 视频参考李宏毅强化学习课程：李宏毅深度强化学习(国语)课程(2018)_哔哩哔哩_bilibili 上图表示actor与环境交互的一次经过，从开始的状态s1，actor输出a1到环境状态变为s2...直到st环境判断一次游戏结束。我们收集到了一次的游戏轨迹称为一个episode。 那么我们可以计算完成这...