強化学習全然うまくいかなくて凹んでたんですが、下記のグラフはなんかちょっと学習してる感あるなあと思いました。２月１３日のデータを相変わらず学習に使っていますが、２０万エポックやると最初とは明らかにrewardの大きさが変わったので、これはまさか…