policy gradient

红烧code2 年前
强化学习·policy gradient·actor-critic
VPG算法首先来看经典的策略梯度REINFORCE算法：在REINFORCE中，每次采集一个episode的轨迹，计算每一步动作的回报 G t G_t Gt，与动作概率对数相乘，作为误差反向传播，有以下几个特点：