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
全部评论
最优贝尔曼方程
点赞 回复 分享
发布于 2017-10-16 22:55
因为更新往reward最大的action走
点赞 回复 分享
发布于 2017-10-16 20:48
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。
点赞 回复 分享
发布于 2017-10-17 08:55

相关推荐

点赞 收藏 评论
分享
牛客网
牛客企业服务