附录B n步TD法
用n步收益连接一步TD与完整回合蒙特卡罗，并复核自举长度；用转移账本、单故障收益更新轨迹和冻结评估门完成复核。
学习目标
- 能说明“附录B n步TD法”如何用n步收益连接一步TD与完整回合蒙特卡罗，并复核自举长度，并区分2022年原版、2024年中文授权版与当前扩展
- 能先预测“怎样在回合末端正确截短n步窗口，并区分已观测奖励与最后一个自举价值？”会改变哪一条转移、收益/目标、价值、梯度或策略概率，再逐步复核
- 能注入“回合已经终止仍从窗口末端状态继续自举；在附录B n步TD法验收中只注入这一处”，用“时间索引、窗口长度、奖励范围、终止位置、自举状态与折扣次幂一致；附录B n步TD法的结论不得越过原版目录、实验数据和评估边界”决定接受、回退或拒绝强化学习结论
为什么从这个强化学习问题开始
本附录改变的是目标向前看的步数，不改变奖励时间顺序或终止后的零未来价值。 “附录B n步TD法”的贯穿任务是：为“附录B n步TD法”冻结环境、状态/动作语义、奖励、终止规则、策略版本、训练预算和随机种子，再对照参考路径与单故障路径。 动手前先写下哪个状态、动作、奖励、收益/目标、价值、梯度、策略概率或评估哈希会先变化；运行后补理由不算预测。
围绕“怎样在回合末端正确截短n步窗口，并区分已观测奖励与最后一个自举价值？”，“附录B n步TD法”建立参考、故障与恢复路径。只有“附录B n步TD法”守住“时间索引、窗口长度、奖励范围、终止位置、自举状态与折扣次幂一致；附录B n步TD法的结论不得越过原版目录、实验数据和评估边界”并交付附录B n步TD法的环境快照、转移五元组、收益/目标手算、更新前后状态、随机性记录、失败复现与冻结评估报告，奖励曲线或成功轨迹才构成机制证据。
书目、205个原版层级与版本边界
“附录B n步TD法”以O’Reilly Japan原版官方书页核对斋藤康毅著《ゼロから作るDeep Learning ❹ ―強化学習編》于2022年4月6日出版、376页、ISBN 9784873119755。“附录B n步TD法”采用出版社同页给出的10章与附录A至D作为完整目录边界；本站逐项统计10个章标题、57个一级节、128个二级节、4个附录标题和6个附录节，共205个正式目录层级。“附录B n步TD法”再以出版社官方代码仓库核对实现目录，以官方勘误识别已知错误。
“附录B n步TD法”没有使用未获授权的原书完整正文，只以出版社完整目录、官方代码和勘误限定范围；中文解释、数值、交互、练习与答案均为独立教学重写。“附录B n步TD法”的中文授权书目页仅用于核对《深度学习入门4：强化学习》、人民邮电出版社2024年8月、333页和ISBN 9787115649171，不用来证明日文原版正文。“附录B n步TD法”以2022年日文原版与2024年中文授权版目录为内容边界；当前环境API、后续论文与兼容修正只作带时间标签的独立核验。
“附录B n步TD法”另以技术核对 1、技术核对 2、技术核对 3核对算法定义、实现语义或实验边界；这些资料能验证本页技术事实，不能反向证明原书采用了本站表述。
原版目录层级与实现机制
附录B n-step TD方法
↡n-step TD方法对应原版目录坐标“附录B n-step TD方法”，在“附录B n步TD法”中用于声明本章在环境—转移—目标—更新—评估链中的职责与边界，并受环境、状态/动作、奖励、策略、随机性、训练预算、评估协议与版本边界约束。原版坐标 1/1。 在“附录B n步TD法”的坐标1中，目录项「附录B n-step TD方法」用于声明本章在环境—转移—目标—更新—评估链中的职责与边界；先冻结环境、策略与随机性，再以原版坐标、输入对象、核心状态、下游接口、反例和时间边界复核，出现只罗列算法名或用当前热点重排原版时撤回结论。
先预测，再操作三个章节专属强化学习实验
1. 状态—动作—奖励转移账本
固定“为“附录B n步TD法”冻结环境、状态/动作语义、奖励、终止规则、策略版本、训练预算和随机种子，再对照参考路径与单故障路径。”，在参考、单故障和边界探针间切换，逐阶段查看“选择窗口、收集奖励、处理终止、加入自举、更新价值”的输入对象、唯一动作、输出状态和必留证据。
强化学习状态—动作—奖励账本
选择运行情形，逐阶段核对真实对象与状态变化
怎样在回合末端正确截短n步窗口，并区分已观测奖励与最后一个自举价值？
环境与策略设置
附录B n步TD法使用冻结环境、固定策略版本、固定预算和种子，不启用故障。
运行前预测
附录B n步TD法应沿“选择窗口 → 收集奖励 → 处理终止 → 加入自举 → 更新价值”得到可重放的转移、目标、更新与评估轨迹。
适用与拒绝边界
附录B n步TD法的参考运行只证明声明环境与预算内的机制，不外推到未测任务。
进入本阶段的对象与状态
附录B n步TD法在“选择窗口”读取环境版本、状态/动作空间、奖励、终止语义、初始分布、策略与随机种子。
本阶段唯一允许的动作
附录B n步TD法在“选择窗口”阶段冻结本页问题所需的任务快照，不运行训练或评估。
离开本阶段的真实状态
附录B n步TD法在“选择窗口”阶段产出可哈希的环境与策略前置状态。
必须保存的可复核证据
附录B n步TD法在“选择窗口”阶段保存环境配置、空间定义、种子、参数版本与允许读取的信息。
原版目录坐标：附录B n-step TD方法
附录B n步TD法的可重放实现协议
| 阶段 | 允许动作 | 必留证据 | 拒绝条件 |
|---|---|---|---|
| 选择窗口 | 在“附录B n步TD法”执行选择窗口，只改变声明的环境、转移、目标、价值、参数或评估状态 | 环境/空间定义、奖励/终止语义、策略版本、初值与种子 | 任务或随机性不可追溯 |
| 收集奖励 | 在“附录B n步TD法”执行收集奖励，只改变声明的环境、转移、目标、价值、参数或评估状态 | 转移五元组、旧值、收益/目标分量、梯度或策略概率与新值 | 回合已经终止仍从窗口末端状态继续自举；在附录B n步TD法验收中只注入这一处 |
| 处理终止 | 在“附录B n步TD法”执行处理终止，只改变声明的环境、转移、目标、价值、参数或评估状态 | 转移五元组、旧值、收益/目标分量、梯度或策略概率与新值 | 回合已经终止仍从窗口末端状态继续自举；在附录B n步TD法验收中只注入这一处 |
| 加入自举 | 在“附录B n步TD法”执行加入自举，只改变声明的环境、转移、目标、价值、参数或评估状态 | 转移五元组、旧值、收益/目标分量、梯度或策略概率与新值 | 回合已经终止仍从窗口末端状态继续自举；在附录B n步TD法验收中只注入这一处 |
| 更新价值 | 在“附录B n步TD法”执行更新价值，只改变声明的环境、转移、目标、价值、参数或评估状态 | 冻结评估、逐种子分布、反例、2022/当前边界与参数哈希 | 评估仍写参数或无法重放 |
unit: "dlr-app-b"
question: "怎样在回合末端正确截短n步窗口，并区分已观测奖励与最后一个自举价值？"
scenario: "为“附录B n步TD法”冻结环境、状态/动作语义、奖励、终止规则、策略版本、训练预算和随机种子，再对照参考路径与单故障路径。"
stages: ["选择窗口", "收集奖励", "处理终止", "加入自举", "更新价值"]
invariant: "时间索引、窗口长度、奖励范围、终止位置、自举状态与折扣次幂一致；附录B n步TD法的结论不得越过原版目录、实验数据和评估边界"
fault: "回合已经终止仍从窗口末端状态继续自举；在附录B n步TD法验收中只注入这一处"
evidence: "附录B n步TD法的环境快照、转移五元组、收益/目标手算、更新前后状态、随机性记录、失败复现与冻结评估报告"
reset: restore_environment_policy_parameters_rng_trace_gates_and_artifact该协议要求“附录B n步TD法”在相同环境、状态/动作语义、奖励、终止规则、策略版本、初值、预算和随机序列下重放。重置“附录B n步TD法”后若案例、阶段、轨迹模式、步骤、验收门或证据包没有回到基线，交互状态已经污染比较。
本页回顾
掌握“附录B n步TD法”不是背诵算法名或最终奖励，而是能围绕“怎样在回合末端正确截短n步窗口，并区分已观测奖励与最后一个自举价值？”重建环境、转移、收益/目标、价值或策略更新、随机性与冻结评估证据，并用“时间索引、窗口长度、奖励范围、终止位置、自举状态与折扣次幂一致；附录B n步TD法的结论不得越过原版目录、实验数据和评估边界”拒绝“回合已经终止仍从窗口末端状态继续自举；在附录B n步TD法验收中只注入这一处”。“附录B n步TD法”最终交付为附录B n步TD法的环境快照、转移五元组、收益/目标手算、更新前后状态、随机性记录、失败复现与冻结评估报告
练习与答案
练习
- 问题 1：强化学习实验合同。 “附录B n步TD法”为什么必须先冻结环境、空间语义、奖励、终止规则、策略版本、初值、预算和随机种子？
- 问题 2：目录逐项覆盖。 怎样证明“附录B n步TD法”的原版目录坐标已经进入机制、交互和练习？
- 问题 3：故障恢复。 怎样证明“附录B n步TD法”中的“回合已经终止仍从窗口末端状态继续自举；在附录B n步TD法验收中只注入这一处”已经被修正？
名词解释
名词解释
本章出现的专业名词，用大白话再讲一遍。
- n-step TD方法
检索键 dlr-A 对应目录坐标「附录B n-step TD方法」；在“附录B n步TD法”中用于声明本章在环境—转移—目标—更新—评估链中的职责与边界，需要连接原版范围、环境快照、转移、目标/更新和冻结评估证据。