深度强化学习（policy gradient） task03-1

上次提到了在深度强化中的几个概念，现在来看一看他们的关系： 环境——>状态1——>行为1——>环境——>状态2——>行为2等等 以一个游戏的强化学习过程为例： 所有状态和行为组成的序列被称为trajectory（轨迹） 某种轨迹出现的概率为 奖励R： 下面要求R的梯度 policy gradient： 迭代公式为 具体的步骤是 计算时，需要最小化 因此，在tf或torch中，求上式的梯度并乘以权重

>>阅读原文<<