红豆生南国 是很遥远的事情

摘要： 想象一下，你是一位国王，想让你的弓箭手们射箭射得更准。这里的“更准”就是我们要最大化的目标 J(θ)，而 θ 就是你给弓箭手们的“指导方针”（比如，往哪个方向瞄准，用多大的力气等等）。 我们想调整这个“指导方针” θ，让所有弓箭手射出的箭靶得分的期望（平均分）最高。 J(θ) = E[R(τ)] J 阅读全文

摘要： 目录参考内容为什么需要 Actor-Critic？—— REINFORCE 的痛点Actor-Critic 架构：两位一体的合作核心思想：用“优势”替代“回报”如何计算优势函数？—— TD 误差的登场算法与更新公式代码实现解读模型定义 参考 https://newfacade.github.io/n 阅读全文