Is it learning? Plots, reward debugging and fair comparisons
A rising return is not proof of walking. Plot the learning curve and every reward term, watch the policy, measure it with fixed commands and evaluation seeds, run the hand-written trot through the same environment, and catch reward hacking before it reaches the robot.
Ta strona nie jest jeszcze przetłumaczona, dlatego jest po angielsku.
Ta lekcja jest częścią płatnego kursu. Pierwszą lekcję każdego kursu przeczytasz za darmo.
Zamów e-mailem24 €W ciągu doby odpiszemy z danymi do płatności (przelew lub PayPal) i zaraz po płatności wyślemy pliki e-mailem.