摘要：
value-based，价值学习：DQN。构建一个神经网络，输入是state，有多个输出对应采取每个action到最后所能获得的累加奖励Q-value。一开始这个网络估计出来的Q-value很差，我们使用TD算法，让 \[ target = r(a_t|s_t) + \lambda Q(s_{t+1 阅读全文
摘要：
强化学习的三个特征： 闭环：动作决定环境，又依据环境选择动作。 非监督。 当前行动不仅影响短期奖励，也会影响长期奖励。 强化学习的元素： policy：\(\pi (a|s)\)，policy决定了在特定state下将会选择的action。 reward signal：在选择动作时，环境提供数字信号 阅读全文