タグ: #GAE

← すべての記事

• 政策勾配とPPO：クリッピングの理由、アドバンテージ関数とGAE、価値関数、エントロピー

  政策勾配は普段より良かった行動の確率を上げる手法であり、PPOは一度に大きく変化しすぎないよう新しい政策と古い政策の確率比率をクリッピングし、同じデータを複数回使用します。numpyでPPOをスクラッチ実装し、第11話の振り子ラケットを直接制御で学習させました。19,200個のボール（環境ステップ約140万）を使用した後の評価ボール成功率は3シードの中央値で83％であり、エントロピーボーナス0.01を加えると88％となりシード間のばらつ

  2026-10-18 · 12 分で読めます #탁구 로봇#강화학습#PPO#정책 경사#GAE