1回答
为什么打折奖励函数是反向的？
、、、、
我正在解决麻省理工学院强化学习实验室的问题，并被奖励函数卡住了。特定的代码块是：<code>C0</code><code>A1</code><code>A2</code>
提供的解释是，我们希望鼓励尽早获得奖励。
浏览 28提问于2020-03-17得票数 1
回答已采纳
零奖励不终止移动和平局。胜利的奖励是1。q值，我使用状态的目标q值和操作a来更新q函数。目标Q值(s，a) =伽马*(奖励(s，a) -Q值(s‘，a'))
其中，gamma=1，s‘是移动a在状态s完成后的下一个状态，a’是由q函数决定的下一个玩家的下一个最佳移动。根据我对minimax算法的理解，我正在从奖励
浏览 6提问于2020-05-07得票数 1
1回答
我想知道强化学习的奖励折扣实际上是如何起作用的。我相信这个想法是，在一集的后期奖励比早期的奖励更重。这对我来说很有意义。在我看到的示例中，我很难理解这实际上是如何工作的。我假设下面的代码是进行强化学习的标准方法。我对这段代码的解释如下:遍历每个动作，训练预测动作好坏的模型。
这似乎所做的<em
浏览 3提问于2019-04-21得票数 1
我正在做策略梯度，我试图找出任务的最佳目标函数是什么。该任务是开放的ai CartPole-v0环境，在该环境中，代理在每个生存时间步长获得1的奖励，在终止时获得0的奖励。我正在尝试找出对目标函数进行建模的最佳方法。我想出了3个可能的函数： return su
浏览 13提问于2017-01-17得票数 0
回答已采纳
1回答
腾讯云自媒体分享计划奖励领取CVM的180代金券 是只能买无折扣的服务器还是可以购买打折 例如 一年2H4G的服务器 168那种？
浏览 181提问于2022-07-16
2回答
强化学习中的负反馈
、、、、
我无法回答这样的问题：，负回报到底是如何帮助机器避免的？这个问题的起源来自。根据他们的逻辑，一旦游戏结束(代理赢或输分)，环境返回奖励(+1或-1)。任何中间状态返回0作为奖励。然后他们给奖励打折扣并使其标准化：prwd = discount_rewards(rwd, args.gam
浏览 0提问于2019-02-19得票数 0
回答已采纳
这是RL简介书中的一个问题，第125页，示例6.2。该示例比较了TD(0)和常数\alpha MC在以下马尔可夫奖励过程中的预测能力(图像是从书中复制的)：在上面的MRP中，所有的事件都从C状态开始，然后在每一步中都可以左转或右转(概率相等)。当一集在右边结束时，就会出现+1的奖励；所有其他奖励都为零。例如，一个典型的插曲可能由以下状态和奖励序列组成: C，0，B，0，C，0，D，0，E，1。因为这个任务是不
浏览 0提问于2018-11-08得票数 4
回答已采纳
对于购物车杆子平衡问题，我想知道为什么这么多用于控制器的强化学习实现都有一个奖励函数，每当杆子倒下时奖励-1，而对于杆子保持直立的每个时间步奖励0。如果倒下立即产生与平衡一分钟后倒下的奖励相同的奖励，这将如何训练系统？
浏览 0提问于2021-04-07得票数 0
1回答
我正在使用策略梯度训练我的网络，并将损失定义为： self.loss = -tf.reduce_mean(tf.log(OUTPUT_NN)* self.REWARDS))
self.opt = tf.train.AdamOptimizer(self.lr).minimize(self.loss) 我不明白的是，损失函数有时是正的，有时是负的。我不理解信号中的这种反转。对于我来说，它应该总是负的，因为我在tf.re
浏览 51提问于2019-07-03得票数 0
1回答
这是我在一个Q学习神经网络上的另一个问题，它被用来赢得抽搐脚趾，那就是我不知道什么时候才能通过网络进行反向传播。我现在要做的是，当程序在游戏中运行时，如果记录的游戏集数量达到最大值，每次程序移动时，它将从内存中选择一个随机的游戏状态，并使用该游戏状态和奖励进行反向传播。这将在每次程序移动时继续，因为从那时起，重放内存将始终是满的。从历史上看，奖励与游戏状态和行为之间的关联是，当一场
浏览 0提问于2018-01-13得票数 1
回答已采纳
1回答
策略梯度网络中的自动区分
、、、
我确实理解策略梯度网络中的反向传播，但不确定如何与自动区分的库一起工作。Y = self.probs + self.learning_rate * np.squeeze(np.vstack([gradients]))
为什么Y不是所采取行动的1-热向量？他正在计算梯度，假设动作是正确的，Y是一个热向量。然后，他将其乘以相应时间步中的奖励</e
浏览 0提问于2017-06-25得票数 0
我所拥有的：
我的方法到目前为止.跟踪衰变参数λ应该是"0.1“，因为远端状态不应该得到那么多的奖励
浏览 1提问于2011-01-30得票数 4
回答已采纳
在我看来，折扣奖励似乎是不平衡的。如果我们以一个有4个动作的插曲为例，其中每个动作都得到+1的奖励：最后一个动作的折扣奖励是：1
从直觉上看，这两种行为都是一样好的，因为两者都得到了同样的回报。但他们<
浏览 0提问于2019-08-08得票数 0
回答已采纳
2回答
0x8b0351a83e453e30a8b4ada8adc1ce42dac73c05bc2ba87304906f1eed8a77a2我不明白他的目的是什么
浏览 0提问于2022-12-05得票数 1
1回答
DCG测度的两个定义
、、、、
我想检查原论文贾维林中关于折现累积增益的定义，它似乎与后来的文献王中的定义不同。最初，对于从$r = 1，\ldots，p$排序的$r文档，$\text{DCG}_p$定义为$$\text{DCG}_p =\sum\limits_{r=1}{b} G_r +\sum\limits_{r=b}{p}{G_r}{\log_br}，$$中$G_i$是$i-th文档的相关性(或增益)。对于低于$b$的等级，即$r维基百科上给出的参数不同，其中对数的</
浏览 0提问于2018-08-10得票数 2
“重复使用RL的经验”，第3页的作者，使用函数h来防止奖励爆炸：这与一种更常见的“悬赏剪裁”技术不同。这样做的效果是Q-目标分数保持不变
浏览 0提问于2019-06-07得票数 0
回答已采纳
1回答
想象一个像情感分析这样的二元分类问题。既然我们有标签，我们就不能利用实际预测之间的差距作为对RL的奖励吗？
我想尝试对分类问题进行强化学习
浏览 1提问于2017-06-20得票数 8
1回答
3.18 -> 3.56 -> 44 -> 52 -> 7基本上，我试图反向工程一个功能，计算Xp奖励给一个球员。第一个数字是输入函数的数字，而第二个数字是它返回的数字。在可视化返回的数字之后，我发现它们是一个逆指数，但我在lua中实现它们没有运气。
浏览 0提问于2018-05-01得票数 0
回答已采纳
1回答
据我所知，用神经网络来估计这些状态-动作对，可以代替Q-值的查找表(状态-动作对-评估)。我编写了一个小型图书馆，它可以通过一个自建的神经网络来传播和反向传播，用来学习特定输入输出的目标值。对于每一个动作，都有一个额外的输出神经元，其中一个输出的激活值“单位”告诉我，估计的Q值。(一个问题是:激活值是否与神经元的“输出”相同？)我使用标准的sigmoid函数作为激活函数，因此<em
浏览 2提问于2012-11-19得票数 4
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
