Policy Gradient Methods

लाभ फ़ंक्शन

किसी दिए गए अवस्था में क्रियाओं के औसत की तुलना में किसी क्रिया की श्रेष्ठता का माप, जिसे Q फ़ंक्शन और V फ़ंक्शन के बीच के अंतर के रूप में ग्रेडिएंट के वैरियंस को कम करने के लिए गणना की जाती है।

← पीछे