Policy Gradients

Lecture 5 · 从期望回报到策略梯度

先看清这一讲在做什么本讲主题：Policy Gradients（策略梯度）。Lecture 2 用专家动作当标签；这一讲只有策略自己采到的轨迹与奖励，要找到参数朝哪个方向移动，才能提高期望回报。 ...

先看清这一讲在做什么 Lecture 5 解决“怎样从奖励得到策略梯度”；Lecture 9 接着问：“一批采来的轨迹，能不能多用几次？” 参数一更新，策略会改变动作分布，也会改变后续状态分布。旧数据仍有价值，但不能直接当作新策略采出的数据。 ...