Swift's Blog

策略梯度（Policy Gradient, PG）是强化学习中的一类直接优化策略的方法，通过梯度上升（Gradient Ascent）更新策略参数，以最大化期望回报。与Q-Learning等基于值函数的方法不同，PG直接对策略πθa∣sπθ​a∣s（参数为θ\thetaθ）进行优化，适用于连续动作空间或随机策略的场景。离散动作：策略网络输出离散动作的概率分布（如Softmax）。连续动作：策略网络输出高斯分布的参数（μσμσ），通过采样得到连续值。∇θJθE。

最近我组有同学在探索用RL落地营销场景的可能性，借此机会学习下RL。more。

Q-Learningepsilon greedy strategyfreecodecamp时序差分离线控制算法Q-LearningDeep Q-LearningDeep Reinforcement Learning: Guide to Deep Q-Learning强化学习——从Q-Learning到DQN到底发生了什么？Deep Q Learning之小白价值函数的近似表示与Deep Q-Learning...

在看师兄的论文时，里面涉及到强化学习的 Policy Gradient 。看了网上好多博客，觉得公式推导太复杂了，断断续续地持续了三周。今天静下心来看了一遍，发现没有那么难，果然做学术还是不能浮躁啊！前言强化学习是机器学习的一个分支，但是它与我们常见监督式学习不太一样。从学习方式上讲强化学习更加接近人类的学习，例如当你接触一款新的电子游戏的时候，虽然看不懂屏幕的提示，但是经过自己的摸索也能掌握...