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
AI_零食1 小时前
HarmonyOS ArkTS 类型转换机制深度解析vortex51 小时前
苏格拉底学习法：通过提问驱动的深度思考Cloud_Shy6181 小时前
解读《Effective Python 3rd Edition》：从练气到老魔（第五章 Item 36 - 39）爱喝水的鱼丶1 小时前
SAP-ABAP：SAP多表连接视图实战：内连接/外连接配置逻辑与性能优化技巧星恒随风1 小时前
C++ 类和对象入门（六）：友元、内部类、匿名对象和编译器优化结城明日奈是我老婆1 小时前
stm32的TIM和PWM学习笔记AI_零食1 小时前
HarmonyOS ArkTS 数据格式化技术深度解析暗夜猎手-大魔王1 小时前
hermes源码学习7--会话存储上海观智网络1 小时前
健身房瑜伽馆想开发小程序，上海靠谱服务商怎么选？