Value-Based Reinforcement Learning（2）

Temporal Difference （TD） Learning

上节已经提到了如果我们有DQN，那么agent就知道每一步动作如何做了，那么DQN如何训练那？这里面使用TD算法。

简略分析：

是的估计

是的估计

所以：

Deep Reinforcement Learning :

Prediction ：

TD Target :

Loss ：

Gradient Desent : ，做梯度下降是为了让loss减少