Middle — Senior
DQN-ში სამიზნე ქსელი რა არის?
sobes.tech AI
პასუხი AI-სგან
DQN-ൽ లక్ష్య నెట్వర్క్ అనేది ప్రధాన న్యూరల్ నెట్వర్క్ యొక్క ప్రతిరూపం, ఇది శిక్షణ సమయంలో Q-ఫంక్షన్ యొక్క లక్ష్య విలువలను గణన చేయడానికి ఉపయోగించబడుతుంది. ఇది ప్రధాన నెట్వర్క్ కంటే తక్కువ తరచుగా నవీకరించబడుతుంది (ఉదాహరణకు, కొన్ని వేల దశలలో ప్రతి ఒక్కటి), ఇది శిక్షణను స్థిరపరచడంలో మరియు విభజనను నివారించడంలో సహాయపడుతుంది. ఆలోచన ఏమిటంటే, స్థిరమైన లక్ష్య నెట్వర్క్ ప్రధాన నెట్వర్క్ పరామితులను నవీకరించడానికి మరింత స్థిరమైన లక్ష్యాన్ని అందిస్తుంది.
లక్ష్య నెట్వర్క్ నవీకరణ ఉదాహరణ:
if step % target_update_freq == 0:
target_network.load_state_dict(main_network.state_dict())