强化学习三 || 策略学习

策略函数 π(a|s)，它的输入是状态s，输出是一个概率分布，给每一个动作a一个概率值，如下图，就会输出一个三维向量，这三个动作都有可能被抽到，只不过概率有大有小

image-20220213123318590

假如一个游戏只有5个状态，10个动作，我们画一张 5*10的表，表里面每一个格子表示一个概率

我们用神经网络来近似π函数，称之为策略网络 π(a|s;θ)

image-20220213123932214

回顾一下 V 函数

image-20220213124807181

现在我们用神经网络来近似V函数，其实就是用近似的π函数来代替原公式的π函数

image-20220213125018211

V函数可以评估状态s 和策略 π的好坏

image-20220213203306584

我们再在V函数中对 s 求期望消掉 s ，得到 J(Θ) 对 J(Θ) 用策略梯度算法来求最优值

策略梯度算法

image-20220213203629293

这是一个梯度上升算法，β是学习率

推导公式

image-20220213204006784

image-20220213204413422

image-20220213204731736

image-20220213204922270

对于离散的动作——采用累加的方式

image-20220213205757576

对于连续的动作——采用积分的方式

由于π函数是一个神经网络，参数较多，无法直接做积分；所以我们采用蒙克卡罗近似（用一个或多个随机样本来近似期望）来 得到该积分的近似值

image-20220213210141383

从π函数中随机抽出一个动作 a_pred

image-20220213210353230

算出 g(a_pred,Θ)的值 ，这个值就是 无偏估计

image-20220213210540855

image-20220213211422783

image-20220213211510910

采用梯度上升，目的让 V函数变大

image-20220213212150491

总结

image-20220213212443595

# 学习 # 机器学习 # 深度学习
Logo
腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

Elasticsearch复杂数据类型终极指南：从入门到精通

Elasticsearch作为功能强大的搜索引擎，支持多种复杂数据类型，让开发者能够灵活处理各种结构化和非结构化数据。本文将带你全面了解Elasticsearch中的复杂数据类型，从基础概念到实际应用，助你轻松掌握数据建模的核心技巧。## 内部对象：构建层级化数据结构在Elasticsearch中，对象类型（Object）是最基础的复杂数据类型之一，用于表示具有嵌套关系的数据。例如，我们可

avatar 腾讯云开发者社区

终极指南：Flink SQL连接器版本管理从混乱到有序的升级之路

Apache Flink作为流处理领域的佼佼者，其SQL连接器的版本管理一直是开发者面临的核心挑战。本文将系统讲解Flink SQL连接器版本管理的最佳实践，帮助你轻松应对版本兼容性问题，实现从混乱到有序的升级之旅。## 连接器版本管理的常见痛点 😫在Flink应用开发中，连接器版本管理常常让开发者头疼不已。不同版本的连接器可能导致各种兼容性问题，例如API变更、功能差异甚至运行时错误。

avatar 腾讯云开发者社区

如何快速搭建Neon无服务器PostgreSQL：面向初学者的完整指南

Neon是一款革命性的无服务器PostgreSQL解决方案，它通过分离存储和计算层，实现了自动扩缩容、类代码式数据库分支以及零级扩展能力。本指南将帮助你从零开始搭建Neon开发环境，体验这款创新数据库的强大功能。## 准备工作：环境要求与依赖项在开始搭建Neon环境前，请确保你的系统满足以下要求：- Linux操作系统（推荐Ubuntu 20.04+或Debian 11+）- Git

avatar 腾讯云开发者社区