RL 面试基础轮 · @Zen_with_AI · TwKit

@Zen_with_AI

一、RL 基础：8 道必练（带答题要点） Q1. Policy gradient 的直觉是什么？REINFORCE 的梯度长什么样？ 目标：最大化期望回报 J(θ)；梯度 = E[ ∇log π(a|s) · G ]，G 是整条轨迹的回报 直觉：回报高的动作，把它的

曝光 148 · 评论 0 · 点赞 1 · 书签 2