self.normal_dist = tf.distributions.Normal(self.mu, self.sigma) 根據Mu和sigma求出一個正太分布，這個是隨機的正態分布

我們的目的是要用這個隨機的去逼近真正的選擇動作action的正太分布

所以
log_prob = self.normal_dist.log_prob(self.a)
log_prob 是a在前面那個正太分布的概率的log ，我們相信a是對的 ，那么我們要求的正態分布曲線中點應該在a這里，所以最大化正太分布的概率的log， 改變mu,sigma得出一條中心點更加在a的正太分布。

前面我們假設a是對的但是a不一定是對的 所以后面有個
self.exp_v = log_prob * self.td_error

總結

以上是生活随笔為你收集整理的Policy Gradient连续动作 tf.distributions.Normal log_prob = self.normal_dist.log_prob(self.a) 的解释的全部內容，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。