Reinforce算法 通俗讲解。梯度不可导 是什么

Reinforce算法 通俗讲解。梯度不可导 是什么

梯度不可导的情况出现： 一般为强化学习中select_action这步，比如从输出的action_prob里比如argmax出一个action，argmax这步是 梯度不可导 的（对比 可导的猫狗分类任务），这时要训练有select_action这步的网络的方法（解决 梯度不可导）就是reinforce算法，即每个action的监督label是用这个action的reward来出loss的，即

# 这不就是cross-entropy么loss = 0.0for reward, log_prob in zip(reward_memory, log_prob_memory): loss += -reward *

其实就是个分类任务，只是logits的每个action的prob对应的ground-truth-label是从reward来的

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。