当前位置: 首页 > wzjs >正文

wdcp 防盗链 网站不能打开wordpress打开

wdcp 防盗链 网站不能打开,wordpress打开,河南第二建设集团网站视频,改wordpress地址还是站点地址2.策略梯度方法 目标是使策略 不断更新,回报更高。 计算每一个轨迹的回报,和对应的概率 目标是使回报高的轨迹概率应该高。这样整个策略的期望回报也会高。 什么是策略期望回报? 就是用这个策略跑了若干个轨迹,得到回报&#x…

2.策略梯度方法

目标是使策略 不断更新,回报更高。

计算每一个轨迹的回报,和对应的概率
目标是使回报高的轨迹概率应该高。这样整个策略的期望回报也会高。

什么是策略期望回报?
就是用这个策略跑了若干个轨迹,得到回报,然后求平均

2.1 策略梯度的主要原理

![外链图片转存失败,源

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

    # 1. 采样一个完整的 episodelog_probs = []  # 存储每个 (s_t, a_t) 的 log π(a_t|s_t)rewards = []    # 存储每个时间步的奖励 r_twhile not done:action_probs = policy_net(state_tensor)  # π(a|s)action = sample_action(action_probs)     # a_t ~ π(a|s)log_prob = torch.log(action_probs[action])  # log π(a_t|s_t)log_probs.append(log_prob)next_state, reward, done = env.step(action)rewards.append(reward)# 2. 计算每个时间步的折扣回报 G_tdiscounted_rewards = compute_discounted_rewards(rewards, gamma=0.99)# 3. 计算策略梯度损失policy_loss = []for log_prob, G_t in zip(log_probs, discounted_rewards):policy_loss.append(-log_prob * G_t)  # 负号因为 PyTorch 默认做梯度下降# 4. 反向传播total_loss = torch.stack(policy_loss).sum()  # 求和所有时间步的损失optimizer.zero_grad()total_loss.backward()  # 计算梯度 ∇θ J(θ)optimizer.step()       # 更新 θ ← θ + α ∇θ J(θ)

2.2 Reinforce 算法,也称为蒙特卡洛策略梯度,是一种策略梯度算法,它使用来自整个 episode 的估计回报来更新策略参数

import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as Fclass PolicyNetwork(nn.Module):"""策略网络,输入状态,输出动作概率"""def __init__(self, state_dim, action_dim, hidden_dim=64):super(PolicyNetwork, self).__init__()self.fc1 = nn.Linear(state_dim, hidden_dim)self.fc2 = nn.Linear(hidden_dim, action_dim)def forward(self, x):x = F.relu(self.fc1(x))x = F.softmax(self.fc2(x), dim=-1)return xdef reinforce(env, policy_net, optimizer, num_episodes=1000, gamma=0.99):"""REINFORCE算法实现参数:env: 环境policy_net: 策略网络optimizer: 优化器num_episodes: 训练episode数量gamma: 折扣因子返回:每个episode的奖励列表"""episode_rewards = []for episode in range(num_episodes):state = env.reset()log_probs = []rewards = []# 采样一个完整的episodedone = Falsewhile not done:# 将状态转换为tensorstate_tensor = torch.FloatTensor(state).unsqueeze(0)  # shape: (1, state_dim)# 通过策略网络获取动作概率action_probs = policy_net(state_tensor)  # shape: (1, action_dim)# 从概率分布中采样一个动作action = torch.multinomial(action_probs, 1).item()# 也可以# dist = torch.distributions.Categorical(action_probs)# action = dist.sample()  # 标量值# 计算动作的log概率log_prob = torch.log(action_probs.squeeze(0)[action])  # shape: scalar# 执行动作next_state, reward, done, _ = env.step(action)# 存储log概率和奖励log_probs.append(log_prob)rewards.append(reward)# 更新状态state = next_state# 计算episode的折扣回报discounted_rewards = []R = 0for r in reversed(rewards):R = r + gamma * Rdiscounted_rewards.insert(0, R)# 标准化折扣回报(减少方差)discounted_rewards = torch.FloatTensor(discounted_rewards)discounted_rewards = (discounted_rewards - discounted_rewards.mean()) / (discounted_rewards.std() + 1e-9)# 计算策略梯度损失policy_loss = []for log_prob, R in zip(log_probs, discounted_rewards):policy_loss.append(-log_prob * R)  # 负号因为我们要最大化回报# 反向传播optimizer.zero_grad()policy_loss = torch.stack(policy_loss).sum()  # shape: scalarpolicy_loss.backward()optimizer.step()# 记录总奖励episode_rewards.append(sum(rewards))return episode_rewards

开始以为policy_loss 计算的是策略梯度,感觉很不合理,其实不是的,差了一个求导呢。

在这里插入图片描述

在这里插入图片描述

总结,policy_loss 的梯度 和 目标函数的梯度符号相反。
两者的梯度 符号相反。因此最大化目标函数等于最小化policy_loss

http://www.dtcms.com/wzjs/616460.html

相关文章:

  • 海安网站设计公司wordpress first post
  • 网站服务器类型查询一个网站需要服务器吗
  • 建设网站导航打不开wordpress的登陆界面
  • 做淘宝客优惠券网站必须是企业吗电商营销策略方案
  • 网上购物网站模板网页的分类
  • 网站建设 万网 域名免费文件外链网站
  • 面试网站建设问题网站专业优化
  • 网站后缀cc深圳卓越城蔚蓝铂樾府
  • 商丘企业做网站家装设计师工资高吗
  • 超炫的网站模板aspcms自适应网站
  • 如何创建网站 优帮云企业管理咨询合同
  • 太原便宜做网站的公司云服务器建设网站
  • 企业免费网站模板赣州网站建设-赣州做网站
  • 怎么样做网站赚钱网站必须做可信认证
  • 网站建设验收单庆阳市建设局门户网站
  • 网站服务器租用还是托管呢推广计划书范文
  • 网站开发税率是多少网站开发费用税
  • 中国十大上市装修公司中山 网站关键词优化
  • 佳匠网站建设肇庆网站建设
  • 网站建设数据库实训体会深圳建网站公司 哪家售后服务最好
  • 网站策划怎么样网页设计教育培训
  • 网站获取qq号码 原理画册设计是什么
  • 龙华网站建设服务南山区住房和建设局网站
  • 网站怎么备份公众平台官网登录入口
  • 车商城网站建设用帝国软件做网站的心得
  • 佛山网站设计实力乐云seo蚁百杭州网站seo优化
  • 消费全返的 微网站开发app软件制作
  • 同一个域名两个网站eclipse 开发jsp网站开发
  • 厦门国外网站建设公司为知笔记写wordpress
  • 青岛建设集团建兴工程有限公司吐鲁番seo招聘