Vπ是Qπ关于动作a的期望。状态价值函数是动作价值函数的期望，评价当前状态和策略网络的好坏，给定状态S，策略网络越好V就越大。
用策略网络来近似策略函数。
关于状态S求期望，相当于对策略网络做评价。策略梯度就是价值数V关于 的导数
离散情况：
连续情况：
估算目标价值函数：
用Ut的观测值ut来近似Qπ，REINFORCE算法就是用观测到的ut来代替动作价值函数，需要玩完整局游戏观测到所有奖励才能更新策略网络
相关推荐
一隅论数智13 小时前
给AI一张“业务概念地图“：本体如何从哲学走向企业智能XiHongShi201613 小时前
STM32F407 RTC定时器例程，建议保存爱吃苹果的日记本14 小时前
离散数学第六课AI职业加油站15 小时前
AI智能体应用工程师证书：政策红利下的职业新风口深圳老胡15 小时前
STM32F407 控制 L6470 步进电机驱动 —— 控制过程简介旖旎夜光15 小时前
力控面试题 01.01： 判定字符是否唯一（位运算） —— 题解奇思妙想聪明勤奋的小羊15 小时前
DeepAgents第5章：子Agent 与上下文隔离—让 Agent学会委派Because_of_Her115 小时前
并查集-听课笔记霍霍的袁16 小时前
【C++】map 和 set 的使用 | 从用法到底层