李宏毅教授A3C课程笔记总结

本文总结了李宏毅教授的A3C课程,A3C是一种强化学习算法,优于DQN,包括On-policy和Off-policy策略。Actor负责选择行动,Critic评估策略,两者结合形成Advantage Actor-Critic。通过异步更新加速学习,解决连续动作空间的探索问题。此外,文章还讨论了Q-learning、DQN及其改进版Double DQN和Dueling DQN,以及与GAN的对比。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

A3C (Asynchronous Advantage Actor-Critic)

远优于DQN

 

Alpha go用到了model-based的方法

 

On-policy:学习的agent和与环境互动的agent是同一个

Off-policy:学习的agent和与环境互动的agent是不同的

注意学习的agent和交互的agent之间的差别不能太大

 

Actor:是一个神经网络,输入是观察observation,输出是action

可以为连续值

 

衡量actor:expected total reward期望回报累加值(因为即使是相同的actor,每次得到的回报还是不同:①面对同样的画面,随机策略会导致结果不同;②即使是确定性策略,环境也有可能是随机的)

 

Actor的梯度更新:提升正向回报的几率,降低负值回报的几率,这里的回报值采用的是累计回报值而不是即时回报

 

Critic:评估actor π的好坏

MC方法/TD方法

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值