ByteNex›مقاله‌ها›پاداش بین ۰ و ۱: طراحی مقیاس حکم
پاداش بین ۰ و ۱: طراحی مقیاس حکم
پاداش یک اسکالر بین ۰ و ۱ است که از یک نتیجهٔ راستی‌آزمایی‌شده محاسبه میشود. وزنهای راهبرد را بهروزرسانی میکند.
پاداش را چه چیزی تولید میکند؟
مقایسهٔ بین نتیجهٔ واقعی و نتیجهٔ مورد انتظار در راستیآزمایی.
پاداش بر چه چیزی اثر می‌گذارد؟
وزنهای راهبرد. پاداش پایین یک راهبرد را اولویتزدایی میکند؛ پاداش بالا آن را ارتقا میدهد.
آیا پاداش به معنای انسانی یک پاداش است؟
خیر. یک مقدار اسکالر بین ۰ و ۱ است که برای بهروزرسانی وزنها استفاده میشود. معیار رضایت نیست.
پاداش پایین چه چیزی را نشان میدهد؟
پاداش پایین نشان میدهد که نتیجهٔ واقعی با نتیجهٔ مورد انتظار مطابقت نداشته است. راهبرد اولویتزدایی میشود.
پاداش بالا چه چیزی را نشان میدهد؟
پاداش بالا نشان میدهد که نتیجهٔ واقعی با نتیجهٔ مورد انتظار مطابقت داشته است. راهبرد ارتقا مییابد.
مرتبط
- معماری هستهٔ عامل: راهنمای کامل
راهنمای جامع اجزای هستهٔ عامل: چرخه، موتور AST، موتور حافظهٔ شناختی و زمینهٔ جداشده.
- هستهٔ عامل در برابر چارچوب عامل
یک چارچوب اجزایی را فراهم میکند که توسعه‌دهنده آن‌ها را سرهم میکند. یک هسته خودش چرخه را اجرا میکند، نتایج را راستیآزمایی میکند و وزنهای خود را بهروزرسانی میکند.