趋近智
强化学习中级技术
章节 1: 回顾强化学习基本原理
强化学习问题设置
马尔可夫决策过程 (MDP) 回顾
价值函数与贝尔曼方程
表格型求解方法：Q学习和SARSA
表格方法的局限性
第 1 章测验
章节 2: 深度Q网络 (DQN)
函数近似的简介
使用神经网络进行Q值近似
DQN 算法架构
经验回放机制
固定Q目标 (目标网络)
DQN训练的损失函数
动手实践：在CartPole上实现DQN
第 2 章测验
章节 3: DQN的改进与变体
Q-学习中的估值过高问题
双重DQN (DDQN)
对偶网络架构
DQN改进的结合
优先经验回放 (简要概述)
实践：实现双DQN
第 3 章测验
章节 4: 策略梯度方法
基于价值方法的局限性
策略直接参数化
策略梯度定理
REINFORCE 算法
理解策略梯度中的方差
方差减少的基线
动手实践：实现REINFORCE算法
第 4 章测验
章节 5: Actor-Critic 方法
结合策略和价值评估
Actor-Critic 架构概述
优势演员-评论家 (A2C)
异步优势参与者-评价者算法 (A3C)
Actor-Critic 实现的考量
对比：REINFORCE 与 A2C/A3C
实践：开发 A2C 实现
第 5 章测验
理解策略梯度中的方差
这部分内容有帮助吗？
- Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, 2018 (MIT Press) - 一本经典且全面的强化学习教材，详细解释了策略梯度方法，包括REINFORCE算法、其无偏性、高方差问题以及使用基线进行方差减少的方法。第二版。
- Policy gradient methods for reinforcement learning with function approximation, Richard S. Sutton, David McAllester, Satinder Singh, Yishay Mansour, 1999 Advances in Neural Information Processing Systems 12, Vol. 12 (MIT Press) - 这篇有影响力的论文形式化了策略梯度定理，并讨论了高方差问题，阐述了如何通过减去基线来减少方差而不引入偏差。它为文中提到的方差减少技术提供了理论背景。
© 2025 ApX Machine LearningEngineered with