blocks|key|2756783|text|‘从步骤t返回’是什么意思？|type|blockquote|depth|inlineStyleRanges|entityRanges|data|2756784|从步骤t返回到步骤T1，即R_t+%2B+R_(t%2B1)+%2B.%2BR_(T1)？|ordered-list-item|2756785|从步骤0返回到步骤t?，即R_0+%2B+R_1+%2B.%2B+R_(t)？|2756786|两者都不是，但(1)是最近的。|unstyled|2756787|2756788|G_t+=+\sum_{i=t%2B1}%5ET+R_i|atomic|offset|length|style|CODE|mathjax|teX|G_t+=+\sum_{i=t%2B1}%5ET+R_i|2756789|2756790|即从步骤t%2B1到步骤T的所有奖励之和。|2756791|您可能会感到困惑，因为增强的循环从0到T-1。然而，这是合理的，因为一步抵消了从回报到奖励的总和。因此，G_{T-1}+=+R_T和G_{T}+=+0总是(在节目结束时不可能有未来的奖励)。|entityMap|0|INLINETEX|mutability|IMMUTABLE|t%2B1|1|T|2|3|T-1|4|G_{T-1}+=+R_T|5|G_{T}+=+0^0|0|0|0|0|0|0|O|0|0|4|3|A|1|4|3|0|A|1|1|0|H|1|J|3|1G|D|1U|9|H|1|2|J|3|3|1G|D|4|1U|9|5^^$0|@$1|2|3|4|5|6|7|1E|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|1F|8|@]|9|@]|A|$]]|$1|E|3|F|5|D|7|1G|8|@]|9|@]|A|$]]|$1|G|3|H|5|I|7|1H|8|@]|9|@]|A|$]]|$1|J|3|-4|5|I|7|1I|8|@]|9|@]|A|$]]|$1|K|3|L|5|M|7|1J|8|@$N|1K|O|1L|P|Q]]|9|@]|A|$R|-1|S|T]]|$1|U|3|-4|5|I|7|1M|8|@]|9|@]|A|$]]|$1|V|3|W|5|I|7|1N|8|@$N|1O|O|1P|P|Q]|$N|1Q|O|1R|P|Q]]|9|@$N|1S|O|1T|1|1U]|$N|1V|O|1W|1|1X]]|A|$]]|$1|X|3|Y|5|I|7|1Y|8|@$N|1Z|O|20|P|Q]|$N|21|O|22|P|Q]|$N|23|O|24|P|Q]|$N|25|O|26|P|Q]]|9|@$N|27|O|28|1|29]|$N|2A|O|2B|1|2C]|$N|2D|O|2E|1|2F]|$N|2G|O|2H|1|2I]]|A|$]]]|Z|$10|$5|11|12|13|A|$S|14]]|15|$5|11|12|13|A|$S|16]]|17|$5|11|12|13|A|$S|10]]|18|$5|11|12|13|A|$S|19]]|1A|$5|11|12|13|A|$S|1B]]|1C|$5|11|12|13|A|$S|1D]]]]

<blockquote>
What does G, 'return from step t' mean here?
<ol>
<li>Return from step t to step T-1, i.e. R_t + R_(t+1) + ... + R_(T-1)?</li>
<li>Return from step 0 to step t?, i.e. R_0 + R_1 + ... + R_(t)?</li>
</ol>
</blockquote>
Neither, but (1) is closest.
$$G_t = \sum_{i=t+1}^T R_i$$
i.e. the sum of all rewards from step $t+1$ to step $T$.
You are possibly confused because the loop for REINFORCE goes from $0$ to $T-1$. However, that makes sense due to the one step offset from return to the sum of rewards. So $G_{T-1} = R_T$ and $G_{T} = 0$ always (there is no future reward possible at the end of the episode).

blocks|key|2756858|text|在本书的最新版本中，G是显式定义的，类似于尼尔·斯莱特的回答，|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|2756859|2756860|G_t+\leftarrow|atomic|style|CODE|mathjax|teX|G_t+\leftarrow|2756861|2756862|从步骤t返回的是：|2756863|2756864|G_t+=++\sum_{k=t%2B1}%5ET+\gamma%5E{k-t-1}R_k+|G_t+=++\sum_{k=t%2B1}%5ET+\gamma%5E{k-t-1}R_k+|2756865|entityMap|0|LINK|mutability|MUTABLE|url|https://datascience.stackexchange.com/a/38207/29575|1|INLINETEX|IMMUTABLE|t^0|L|9|0|0|0|0|E|0|0|3|1|3|1|1|0|0|0|14|0^^$0|@$1|2|3|4|5|6|7|15|8|@]|9|@$A|16|B|17|1|18]]|C|$]]|$1|D|3|-4|5|6|7|19|8|@]|9|@]|C|$]]|$1|E|3|F|5|G|7|1A|8|@$A|1B|B|1C|H|I]]|9|@]|C|$J|-1|K|L]]|$1|M|3|-4|5|6|7|1D|8|@]|9|@]|C|$]]|$1|N|3|O|5|6|7|1E|8|@$A|1F|B|1G|H|I]]|9|@$A|1H|B|1I|1|1J]]|C|$]]|$1|P|3|-4|5|6|7|1K|8|@]|9|@]|C|$]]|$1|Q|3|R|5|G|7|1L|8|@$A|1M|B|1N|H|I]]|9|@]|C|$J|-1|K|S]]|$1|T|3|-4|5|6|7|1O|8|@]|9|@]|C|$]]]|U|$V|$5|W|X|Y|C|$Z|10]]|11|$5|12|X|13|C|$K|14]]]]

From the latest version of the book, where G is explicitly defined, and similar to <a href="https://datascience.stackexchange.com/a/38207/29575">Neil Slater's answer</a>, 
$G_t \leftarrow$ return from step $t$ is:

$$ G_t = \sum_{k=t+1}^T \gamma^{k-t-1}R_k $$

I am looking into the REINFORCE algorithm for reinforcement learning. I am having trouble understanding how rewards should be computed.

The algorithm from Sutton &amp; Barto:
<a href="https://i.stack.imgur.com/PL8Lk.png" rel="nofollow noreferrer"><img src="https://i.stack.imgur.com/PL8Lk.png" alt="enter image description here"></a>

What does G, 'return from step t' mean here?

<ol>
<li>Return from step t to step T-1, i.e. R_t + R_(t+1) + ... + R_(T-1)?</li>
<li>Return from step 0 to step t?, i.e. R_0 + R_1 + ... + R_(t)?</li>
</ol>

Reinforcement learning: Discounting rewards in the REINFORCE algorithm

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我正在研究强化学习的强化算法。我很难理解如何计算奖励。来自Sutton &Barto的算法：📷‘从步骤t返回’是什么意思？从步骤t返回到步骤T1，即R_t + R_(t+1) +.+R_(T1)？从步骤0返回到步骤t?，即R_0 + R_1 +.+ R_(t)？

问强化学习:强化算法中的折扣奖励
EN

回答 2

Data Science用户

Data Science用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问强化学习:强化算法中的折扣奖励EN

回答 2

Data Science用户

Data Science用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问强化学习:强化算法中的折扣奖励
EN