深度Q learning

2013《Playing Atari with Deep Reinforcement Learning》

DQN
在 Atari 2600游戏 使用卷积神经网络，输入是原始像素，输出处为估计未来奖励的值函数（动作价值Q函数）

经验回放（experence replay）：储存历史样本，后续训练时在存储样本池中随机抽取
经验回放优点：

1. 经验的每一步都有可能用于多次权重更新，提高数据效率
2. 连续样本学习是低效的，随机化样本会破坏这些相关性，减少更新的方差
3. 参数不易陷入局部极小值

loss

贪婪策略：选择动作

2015《Human-level control through deep reinforcement learning》

DQN高估q值，怎么缓解？

加了一个目标网络（targetnet），每经过N个迭代的训练，将训练网络（mainnet）的参数复制给目标网络，训练求误差还是使用训练网络，只不过误差函数里面的最优动作对应的Q值是目标网络给的。

loss

可以理解为max项是目标值网络给的，后面Q值是训练网络给的，对训练网络参数求梯度

DQN缺点：

1. 无法动作连续控制
2. 没结合lstm处理长记忆
3. 不一定收敛

2015《Deep Reinforcement Learning with Double Q-learning》

DDQN

qlearning高估q值

先用训练网络（mainnet）选择max项的动作，再去目标网络中找到这个动作对应的q值。和之前的DQN相比，max项不是最大化目标网络的q，是最大化训练网络的q得到的action带入目标网络得到的。

标签：动作,训练,max,论文,网络,学习,learning,强化,DQN
来源： https://www.cnblogs.com/wh1208791/p/15831422.html