本篇博文主要介绍强化学习reforcement learning

文章目录

• What is reinforcement learning(RL)
• Policy Gradient
• Actor-Critic
• Reward Shaping
• No Reward：Learning from demonstration

What is reinforcement learning(RL)

RL不知道好还是不好

RL的结构：

下面举例子讲RL：



每盘棋局结束的时候，才能得到reward，学习的过程就是最大化reward的过程。

下面的network可以选择CNN，实际做的时候是看的参数FNN



reward是采取行为时立即得到，return是整个episode中reward的加和(total reward)，就是我们想要最大化的。

难点：如何找到一组参数让R越大越好

Policy Gradient

每个行为都会影响接下来的互动






拿来训练的actor与跟环境互动的actor是同样的。（on-policy）
不同时，就称为off-policy

Actor-Critic

两种方法都是可以算出来出reward的，只不过背后的假设是不一样的。

Reward Shaping

reward shaping在RL中使用的例子：

不断看到新东西

No Reward：Learning from demonstration

真实环境中，有时候根本不知道怎么定reward


还有一些其他的问题，the agent will copy every behavior, even irrelevant actions.

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！