我实现了一个自我批评策略梯度（如此处所述），用于文本摘要。

然而，经过训练，结果并没有预期的那么高（实际上比没有 RL 时要低……）。

我正在寻找有关如何调试基于 RL 的算法的一般指南。

我试过 ：

• 在小数据集（~6 个样本）上过拟合：我可以增加平均奖励，但它不会收敛。有时平均奖励会再次下降。
• 改变学习率：我改变了学习率，看看它对小数据集的影响。从我的实验中，我选择了相当大的学习率（0.02与1e-4论文相比）
• 看看随着训练（在完整数据集上）的平均奖励如何演变：平均奖励明显没有变化......