【深度学习&强化学习】常用数学符号整理

【深度学习&强化学习】常用数学符号整理

深度学习与强化学习中常用的数学符号整理如下：
变量与参数： w, W：权重，在神经网络中表示连接不同神经元的权重参数。 b, B：偏置，在神经网络中表示每个神经元的偏置项。 x, X：输入数据，表示输入到神经网络或强化学习算法中的观测值或状态。 y, Y：输出数据，表示神经网络或强化学习算法的预测结果或目标值。 θ：参数集合，通常包括权重和偏置等可学习的参数。
运算符： Σ：求和符号，用于表示对一系列数值进行求和操作。 ∏：求积符号，用于表示对一系列数值进行求积操作。 ?：偏导数符号，用于表示函数对某一变量的偏导数。 ▽：梯度符号，表示函数对所有变量的偏导数组成的向量。 ?·：散度，表示向量场的散度。
概率与统计： P：概率，表示事件A发生的概率。 P：条件概率，表示在事件B发生的条件下，事件A发生的概率。 E[X]：期望，表示随机变量X的平均值。 Var：方差，表示随机变量X的离散程度。 D_KL：KL散度，用于衡量两个概率分布P和Q之间的差异。
强化学习特有符号： s, S：状态，表示环境的状态。 a, A：动作，表示智能体采取的动作。 r, R：奖励，表示智能体在采取动作后获得的奖励。 π：策略，表示智能体根据状态选择动作的概率分布。 γ：折扣因子，用于计算未来奖励的现值。 Q：动作值函数，表示在状态s下采取动作a的期望回报。 V：状态值函数，表示在状态s下的期望回报。
请确保在阅读相关文献或代码时，根据作者的约定使用相应的符号，以确保理解和沟通的准确性。
2025-05-02