Пошаговый подход к пониманию основанных на политике методов в обучении с подкреплением Обновление : если вы новичок в этой теме, возможно, вам будет проще начать со статьи Политика обучения с подкреплением для разработчиков . Вступление Предположим, вы находитесь в новом городе, у вас нет ни карты, ни GPS, и вам нужно добраться до центра. Вы можете попробовать оценить свое текущее положение относительно пункта назначения, а также эффективность (ценность) каждого выбранного вами..

Начало работы с градиентами политики Алгоритм REINFORCE - один из первых алгоритмов градиента политики в обучении с подкреплением и отличная отправная точка для перехода к более продвинутым подходам. Градиенты политики отличаются от алгоритмов Q-значения, потому что PG пытаются изучить параметризованную политику вместо оценки Q-значений пар состояние-действие. Таким образом, выход политики представлен как распределение вероятностей по действиям, а не как набор оценок Q-значения...