Policy Gradient是区别于Q-Learning为代表的value based的方法。policy gradient又可以叫reinforce算法(Williams, 1992)。

如今的ACTOR-CRITIC也就是基于policy gradient。该方法不能制表，只能对policy进行参数化。

然后它能处理连续action输出的问题。

DDPG似乎又不太一样，难道DDPG的任务都要求policy网络参数初始化很好，以便action不会陷入局部最优？所以要多训练几个policy网络？

最新文章

1. Spring下ActiveMQ实战
2. 常见的几个meta标签元素
3. JSFuck奇葩的js编码
4. 快速入门系列--NOSQL--07MongoDB
5. [UWP]涨姿势UWP源码——IsolatedStorage
6. Graphics 导出图片使用【这个主要是画图类图的使用，记录一下】
7. gcc、g++
8. 用iDSDT制作声显卡DSDT
9. 左右推拽显示对比图 - jQyery封装 - 附源文件
10. SSCTF-Final-Re-Play
11. 【iOS】Swift字符串截取方法的改进
12. Spark RDD算子介绍
13. 文件上传----FTP部署
14. [数据预处理]-中心化 缩放 KNN（一）
15. hibernate_xml映射exception
16. SpringBoot入门之简单配置
17. 7-20 jquery遍历节点，bootstrap模态框绑定事件和解绑，mock.js，model.urlroot,id,打基础
18. ASP.NET Core的JWT的实现（自定义策略形式验证）.md
19. Linux使用百度云
20. 闽南师范大学·大英A3复习专题

热门文章

1. [svc]ssh批量分发key/批量用户管理
2. OpenStack的基本概念与架构图
3. 灾备系统的评判指标：RTO、RPO
4. JavaScript 记录页面停留时间-通过测试
5. MyBean-关于plugMap共享对象
6. ffmpeg与H264编码指南
7. 【Java】自动类型转换规则
8. python dict与list
9. hdu1102（最小生成树水题）
10. HTML 学习笔记一