what is RL?

RL輸入是一個序列，很大程度上兩次輸入的相關聯

Different kinds of RL

線性或非線性擬合會有幾個問題：1、默認數據獨立同分布，但是輸入數據間有關聯 2、target不穩定，label 好壞程度或正確程度不穩定

DQN對其進行三方面改進：1、深度卷積神經網絡擬合能力比較強? 2、通過之前的樣本或者別人的樣本進行訓練，主要是打亂樣本之間的相關性

狀態－－》策略擬合

動作很多或者連續動作空間，會消耗更多的資源不適合用基于值的RL

適合使用基于策略的RL，減少過程計算

缺點：

高方差：ac算法或a3c算法可以解決高方差這個問題

目的：骷髏拿到錢

確定性策略問題：灰色塊往左走，白色塊往右走，那一直得不到想要的結果

隨機性策略：可以探索更多的區域

RL在離散空間有天然的優勢,文本生成、序列決策

?相似的論文："Adversarial Learning for Neural Dialogue Generation (2017)"

GAN 不能用于自然語言處理和文本生成：

判別器 生成器：判別器加0.1，在詞庫可能找不到

判別器：CNN? ? ? 生成器：LSTM

視頻參考鏈接：http://www.mooc.ai/course/503/learn#lesson/2762

總結

以上是生活随笔為你收集整理的强化学习及其在NLP上的应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。