好了终于到这里了，强化学习这个小山坡我算是终于到了最上面，但是还有更高的山峰让我去远眺，现在也只是敲开了我科研之路的大门，而演员评论家就是我要去学习的第一个前沿算法，先通俗点讲，就是有个演员，他就是演戏，会有一个经纪人，根据观众们的反馈以及票房数据（环境reward），给他打分，演员再根据这些分数，去更新他的演技，接着继续演，经纪人继续打分，这样子迭代下去。。。。。
接下来细讲，就是Actor那边就是用策略迭代，梯度上升，去更新策略（通过更新策略的变量θ），但是里面有个参数q（s,a,w）,就来自评论家那边的更新，通过更新变量w来更新q(s,a,w)，进而更新θ最后更新策略，而评论家那边就运用一个时序差分去更新w，就是演员演戏产生的动作值作为参数，并对其求梯度，然后更新w进而更新q(s,a,t)(想要更新状态值或者动作值，可以通过更新其变量，更新变量当然是采取梯度方法)，然后这样子循环迭代下去
接下来是A2C Advantage Actor-Critic
A2C的讲解
A2C就是，一个小小的改动，比如说，我想要设定一个基准值，比如它是对状态值求期望或者对动作值求期望，为什么要有这个基准值呢，没有这个基准值的话，我每次更新时候，比如说有个不好的动作，它的q值不高，低于基准值，但毕竟他是正数，还是得尊重一下，因此最后的结果只是，q值不好的动作下次出现概率增长的速率低于好动作，那还是都增长呀，那效率就会比较低，那要怎么办呢，既然你q值不高，那我就让你减去平均值，直接让你成为负数，打入18层地狱难以超生，这样它在更新的时候，更新自变量的时候，就会是一个梯度下降的方法，被选中的概率就下降了
如图所示，会有一个TDerror,正数梯度上升，负数梯度下降
重要性采样放着和确定性一起更新吧，这个。。再说了好累，然后放几张图吧，就是一些我对于强化学习学到现在的一些感想
我觉得虽然我的学习停留在表层，但明白了什么是真正的细思极恐:女娲可以造人，生物克隆可以造人，算法也可以造人。。。。。而且是比女娲和生物克隆强几万倍的，然后就开始多愁善感思考人类的未来。。
热爱强化学习
标签：动作,演员,基准值,梯度,更新,critic,actor,评论家 From： https://www.cnblogs.com/cjtaaa/p/17933601.html