DQN的计算问题
求问大家为什么dqn的计算要用下一步的q value的max值呢，用mean不可以么
2017-10-16 20:16 已编辑 算法工程师
关注
全部评论
改名求offer
算法工程师
最优贝尔曼方程
分享
zssasa
算法工程师
因为更新往reward最大的action走
分享
联易融
校招火热招聘中
官网直投
文行知Cer
算法工程师
q learning是off policy的，它每次实验选择下一个a是由behavior policy决定的。这里的behavior policy采用了选择q最大的a。如果是sarsa这种on policy的，它会按照之前学习的target policy去选a，一般是epsilon-greedy。 以上是我个人的理解。
分享
相关推荐
点赞 评论 收藏
转发
04-25 08:54
沈阳建筑大学 建筑类 点赞 评论 收藏
转发