tensorflow2 DPG PG算法强化学习玩乒乓球

? 使用确定性策略梯度玩乒乓球,网上很多案例抄写下来,实际使用发现都无法收敛,花了很多时间纠错,然后从parl提供的代码作为核心参考,收集了其他案例中的优点,自己在tensorflow2中实现了算法,并测试成功收敛 0.99累计奖励 + 0.01 最新奖励 = -1.0 时的训练结果图片 ? 环境: