強(qiáng)化學(xué)習(xí)基礎(chǔ)理論及算法課件-Actor-Critic算法分析(A3C)

1、強(qiáng)化學(xué)習(xí)基礎(chǔ)理論及算法課件Actor-Critic算法分析(A3C)先來(lái)看看AC還記得我們的老朋友吧：后續(xù)獲得的所有獎(jiǎng)勵(lì)：可能并不穩(wěn)定引入過(guò)baseline：,并用網(wǎng)絡(luò)來(lái)估計(jì)b值再來(lái)回憶下Q：優(yōu)勢(shì)函數(shù)（Adavantage）函數(shù)表達(dá)式：就是在狀態(tài)s下，選擇某一動(dòng)作有多好，Q相當(dāng)于咱們得到的；V是期望的（平均 就好比你現(xiàn)在考試，老師（V）認(rèn)為你能考100分，其實(shí)只考了5分（Q）如果A值計(jì)算是正的，那就說(shuō)明當(dāng)前動(dòng)作執(zhí)行的挺好，要繼續(xù)朝這方向干AC需要解決的問(wèn)題把這幾個(gè)當(dāng)事人都叫來(lái)吧:由于智能體在與環(huán)境交互過(guò)程中有大量的隨機(jī)性，所以算的是期望 為了計(jì)算A，現(xiàn)在出現(xiàn)了Q和V，那我得訓(xùn)練倆網(wǎng)絡(luò)了（一個(gè)都

2、很難整，現(xiàn)在給我過(guò)來(lái)倆？）來(lái)個(gè)近似讓問(wèn)題簡(jiǎn)單些吧：（現(xiàn)在只需要訓(xùn)練一個(gè)網(wǎng)絡(luò)就夠了?。〢C整體流程：1.獲取數(shù)據(jù)：（不斷與環(huán)境交互，通過(guò)策略）：前向傳播計(jì)算計(jì)算梯度更新參數(shù)：AC算法細(xì)節(jié)是不是得訓(xùn)練兩個(gè)網(wǎng)絡(luò)呢？分別完成其對(duì)應(yīng)的任務(wù)但是它倆好像都是根據(jù)狀態(tài)來(lái)預(yù)測(cè)結(jié)果 共享一下吧：AC算法細(xì)節(jié)：n-step: 只算一步會(huì)不會(huì)有點(diǎn)簡(jiǎn)單呢？讓它眼光更長(zhǎng)一些實(shí)際計(jì)算公式還引入了折扣系數(shù)，越往后的情況影響力稍微有所降低 n值通常情況下也不同太大，越大的話variance也會(huì)越大A3C整體架構(gòu)如果只用一個(gè)智能體不斷與環(huán)境交互得到數(shù)據(jù) ，會(huì)有什么問(wèn)題嗎？樣本之間的相關(guān)性會(huì)較大，違背了機(jī)器學(xué)習(xí)的本質(zhì)（獨(dú)立同分布） 多個(gè)智能體（多線程）每一個(gè)都自己去玩（單獨(dú)）A3C整體架構(gòu)損失函數(shù)：策略損失（Policy）:（起決策的網(wǎng)絡(luò)）Value網(wǎng)絡(luò)損失：（預(yù)期與實(shí)際的差異）熵：（