全栈大魔王

摘要： 策略梯度（Policy Gradient）和动作价值（Q-learning)辨析 一、核心区别 目标不同 策略梯度：直接学习策略函数（π(s→a)），通过最大化期望累积回报（J(θ)）的梯度更新参数，目标是“如何直接选动作”。 Q-learning：学习状态-动作值函数Q(s,a)，通过估计“选某个 阅读全文