神经网络如何知道它从行动中获得了哪些奖励？
How does neural network know which reward it got from action?
我目前正在制作一个深度 q 网络，我对我的 Q 网络如何知道我给它的奖励有点困惑。
例如我有这个具有策略和时间差异的状态动作函数：
然后我有我的Q网络：
在我输入状态的地方，我在同一观察中得到 4 个不同的 q 值。理论上 我如何奖励我的 Q 网络 因为我唯一的输入是状态而不是奖励。
希望有人能给我解释一下！
您应该熟悉训练和推理。
在训练阶段，您向神经网络提供输入和所需的输出。对所需输出进行编码的确切方式可能会有所不同；一种方法是定义奖励函数。然后定义权重调整程序以优化奖励
在生产中，网络用于推理。您现在使用它来预测未知结果，但不更新权重。因此，您在这个阶段没有奖励功能。
这使得神经网络成为一种监督学习形式。如果您需要无监督学习，您通常会遇到更大的问题，并且可能需要不同的算法。一个 sort-of 例外是您可以在事后自动评估预测的质量。 CPU 的分支预测器就是一个例子；这可以使用来自分支机构的实际数据进行训练。
我目前正在制作一个深度 q 网络，我对我的 Q 网络如何知道我给它的奖励有点困惑。
例如我有这个具有策略和时间差异的状态动作函数：
然后我有我的Q网络：
在我输入状态的地方，我在同一观察中得到 4 个不同的 q 值。理论上 我如何奖励我的 Q 网络 因为我唯一的输入是状态而不是奖励。
希望有人能给我解释一下！
您应该熟悉训练和推理。
在训练阶段，您向神经网络提供输入和所需的输出。对所需输出进行编码的确切方式可能会有所不同；一种方法是定义奖励函数。然后定义权重调整程序以优化奖励
在生产中，网络用于推理。您现在使用它来预测未知结果，但不更新权重。因此，您在这个阶段没有奖励功能。
这使得神经网络成为一种监督学习形式。如果您需要无监督学习，您通常会遇到更大的问题，并且可能需要不同的算法。一个 sort-of 例外是您可以在事后自动评估预测的质量。 CPU 的分支预测器就是一个例子；这可以使用来自分支机构的实际数据进行训练。