yumao1的专栏

3.每次迭代中通过比较actor与teacher的行为来更新reward function，基于新的reward function来更新actor使得actor获得的reward最大。IRL与GAN在原理上相似，actor对应generator，reward function对应 discriminator，真实图片对应专家数据。2.学习的网络有两个，actor和reward。1.teacher的行为被定义成best。

知识总结材料来源：https://www.zhihu.com/question/20683006 部分可观察马尔可夫决策过程(partially observable Markov decision processes，POMDP)是环境状态部分可知动态不确定环境下序贯决策的理想模型，其核心点在于，agent无法知道自己所处的环境状态，需要借助于额外的传感器，或者与其他的a...

Loss = (r + gamma * Q(s')- Q(s))^2其中 ：r + gamma * Q(s')代表用未来的状态价值来估算当前的状态价值Q(s) 代表当前的状态价值如果这两个价值相等，说明价值函数能够完美表达长期的价值收益...