我刚刚为游戏tic-tac-toe编写了第一个神经网络实现。
我有9个输入神经元（1,0，-1表示状态），1个输出神经元（从-1到1 - 表示状态值）。
我使用简单的强化算法： 获胜状态获得值+1，前一状态获得1-1 *比例，下一状态获得1-2 *比例，依此类推。 丢失状态获得值-1，前一状态获得-1 + 1 *比例，下一状态获得-1 + 2 *比例，依此类推。 （目前为止可选）
我将此值提供给网络以获取要使用的错误功能。 在下一次迭代中，我将采用所有可能的状态并将它们提供给网络。然后我选择具有最高值的状态。
现在的问题是：如果我只使用奖励获胜，算法就可以了 很好，输出值会收敛到奖励公式计算的值。对于随机玩家，我获胜率约为85％。 如果我使用奖励赢得和（负）奖励，则算法根本不会收敛，并且往往只输出正值或仅输出负值（大约+1或大约-1）。< / p>
有谁知道这背后的原因是什么？我为我的神经元使用tanh（x）输出函数。
谢谢，并祝福，
beinando