跳到主要内容

每道数学题抽取 8 条解答,只给对错分数。为何不用价值网络、改用该组均值与标准差来当优势?若这 8 条全部正确或全部失败,该题还会不会给出梯度?

Agent 学习与策略优化中级学习与策略优

题目​

每道数学题抽取 8 条解答,只给对错分数。为何不用价值网络、改用该组均值与标准差来当优势?若这 8 条全部正确或全部失败,该题还会不会给出梯度?

参考答案​