A DQN-ben a célhálózat a fő neurális hálózat másolata, amelyet a Q-függvény célértékeinek kiszámítására használnak a tanulás során. Ritkábban frissül, mint a fő hálózat (például néhány ezer lépésenként), ami segít stabilizálni a tanulást és elkerülni az eltérést. Az ötlet az, hogy egy fix célhálózat stabilabb célt biztosít a fő hálózat paramétereinek frissítéséhez.

A célhálózat frissítésének példája:

if step % target_update_freq == 0:
    target_network.load_state_dict(main_network.state_dict())

Korábbi Következő