李宏毅老师2020年深度学习系列讲座笔记2

瞎看吧。。。。至少做个笔记

https://www.bilibili.com/video/BV1UE411G78S?from=search&seid=11796990666136537025

 

Policy Gradient（看起来不全）

主要思路：

有一个state-agent takes an action-the state changes to another state-agent get a reward-

例子：分类问题对应的优化的目标函数是交叉熵损失（cross entropy loss）函数

希望输出的结果是(1,0,0)（向左走），\theta更新的方向也是‘left’

问题可以看作，当状态是s_1^1的时候我们target是a_1，想让agent做这个action。

与直接做action有什么区别？A：在前面（蓝色糊住的地方）会乘以R（reward）

唯一区别是加入weight，每收集一次数据就要train一次network。。。。