1700540700
表面上看，这与原GANs中生成器的优化目标一样，问题在于生成器输出的是离散样本，一个由离散词组成的离散句子，不像原GANs中生成图片，每个像素都是一个连续值。原GANs用重参数化技巧构造生成器，直接对采样过程建模，不去显性刻画样本概率分布。
1700540701
1700540702
1700540703
1700540704
1700540705
上一节的IRGAN，生成器生成文档序号d这类离散数据，不能用原GANs的重参数化技巧。离散数据的特性，让我们无法求解目标函数对d、d对生成器参数θ的梯度。而且，期望的下脚标里包含参数θ，需对期望求梯度，不得不显式写出概率函数。
1700540706
1700540707
1700540708
1700540709
在SeqGAN中，生成器生成的文本序列更离散，序列每个元素都是离散的，如图13.19所示。联想强化学习理论，可把生成序列的过程看成是一连串动作，每步动作是挑选一个词，即动作at=yt，每步状态为已挑选词组成的序列前缀，即状态，最后一步动作后得到整个序列。接着，判别器收到一个完整句子，判断是真是假并打分，这个分数就是生成器的奖励。训练生成器就是要最大化奖励期望，优化目标为：
1700540710
1700540711
1700540712
，
1700540713
1700540714
（13.36）
1700540715
1700540716
或梯度增强版的
1700540717
1700540718
1700540719
，
1700540720
1700540721
（13.37）
1700540722
1700540723
1700540724
其中就是生成器的奖励。
1700540725
1700540726
1700540727
强化学习里有两个重要概念，策略和动作值函数。前者记，表示状态s下选择动作a的概率，体现模型根据状态做决策的能力；后者记Qθ(s,a)，表示状态s下做动作a后，根据策略Gθ完成后续动作获得的总奖励期望。结合本例，前T−1个词已选的状态下选第T个词的Qθ(s,a)为：
1700540728
1700540729
1700540730
．
1700540731
1700540732
（13.38）
1700540733
1700540734
总奖励期望为：
1700540735
1700540736
1700540737
．
1700540738
1700540739
（13.39）
1700540740
1700540741
上式包含了各序列前缀的状态下策略，以及一个最终的奖励。如果对此式做优化，序列每增加一个长度，计算复杂度将呈指数上升。我们不这么干，利用前后状态下动作值函数的递归关系：
1700540742
1700540743
1700540744
．
1700540745
1700540746
（13.40）
1700540747
1700540748
1700540749
