【李宏毅-強化學習筆記】p6、Actor-Critic

一、policy gradient回顧 G是看到st後採取at之後獲取的收益總和，但是這個值是一個分佈值，在不同的episode中可能波動會很大。如果有足夠的數據的話，這不是一個問題，當數據不足的時候，那麼模型的波動會很大，希望用期望值來代替採樣（當前的）值。就是說，訓練一個network，輸入爲s輸出爲獎勵的期望值。 二、Q_learning回顧 V是態勢評估，Q是引導選擇。 三、Actor-C

>>阅读原文<<