去创作
概率比
TRPO 算法的优化目标函数为：
其中，At 为动作优势值，前一项为动作在当前和上一步策略中的概率比（likelihood ratio），概率比公式的代码为：
可见，这里使用了 log 函数，相减对应于公式中的相除。
注意这个公式和 vanilla policy gradient 不一样。这（可能）和重要性采样 Importance Sample 有关， ... ...
信任域策略优化算法 trust region policy optimization
一次购买，永久免费
评论
{{item.path.join('.')}}
{{item.item.name}}