版本 1
y = episode_a.argmax(-1) # episode_a is in shape [T, n_actions]
action_preds = self.net(ep_s) # action_preds is logits before softmax
neg_log_like = self.loss_fn(action_preds, y)
loss = torch.mean(r * neg_log_like) # r is reward
版本 2
y = torch.tensor(episode_a, requires_grad=True)
action_preds = model(ep_s)
neg_log_like = -y * torch.log(action_preds)
loss = torch.sum(neg_log_like, 1).mean()
版本 1 和 2 似乎具有相同的损失值。不同之处在于,y 在版本 2 中不需要 grad。但它就像一个监督学习反向传播操作,y 应该不需要 require_grad。我不明白为什么版本 1 不能训练策略而版本 2 可以?