+= reward    reward =

0

工程优化

不同于OpenAI使用MPI实现了joint PPO，我们选择了更为方便的tensorflow的分布式并行方案：ps节点作为参数服务器，worker节点用作采样和梯度计算。具体而言，在每个worker中维护了一个retro游戏的环境，该worker通过和这个环境交互产生四元组(s,a,r,s′)

数据，并在这批数据上计算策略梯度，发送至参数服务器进行全局更新。

在一般的监督学习任务中，通常定义好图，feed进数据直接sess.run就可以了，为了尽可能的利用GPU的并行，一般来说feed的数据的batch数肯定要远大于1的。

• 新技术带来新挑战 网络信息安全创新永远在路上
• 遂宁首届抖音挑战赛决赛现场，小伙的"特异功能"惊艳全
• 世界人工智能大赛·智能机器人创新挑战赛决出前三强
• 江津四面山生态五项国际挑战赛下月开赛 总奖金50万等你来拿
• 挑战贝克汉姆老婆的健身餐，澳洲妹子直接吃到崩溃了！
• 刘鹤十年前提出的“经济挑战”都出现了！
• 离石白马仙洞举办山地自行车挑战赛精彩现场（视频/图）
• 刘鹤十年前提出的“经济挑战”都出现了
• 哈弗H9、传祺GS8、比亚迪唐出战，挑战日系最强硬汉，战况惨烈！
• 美国海军正式重启第二舰队 叫嚣为应对中俄挑战