【强化学习-05】AlphaGo
作者:互联网
Policy-based reinforcement learning
本笔记整理自 (作者: Shusen Wang):
https://www.bilibili.com/video/BV1rv41167yx?from=search&seid=18272266068137655483&spm_id_from=333.337.0.0
Policy Networks
Behavior Cloning
Behavior cloning
: 是一种模仿学习,模仿学习和强化学习的主要区别在于:有没有奖励
没有奖励就是模仿学习,有奖励是强化学习
behavior cloning其实就是多分类,有361个类,其中label就是人类的下法。
如果策略网络没有见过 a t a_t at,策略网络就无法识别,就会失效。因此下一步 a t + 1 a_{t+1} at+1就会更奇怪。
Train policy network using Policy gradient
player
: 根据reward来更新policy network
强化学习用奖励来更新网络
模仿学习没有奖励
Train the value network
Mente Carlo Tree Search
标签:network,05,学习,AlphaGo,Train,policy,Policy,强化,奖励 来源: https://blog.csdn.net/HsinglukLiu/article/details/122721460