深度強化學習（policy gradient） task03-1

上次提到了在深度強化中的幾個概念，現在來看一看他們的關係： 環境——>狀態1——>行爲1——>環境——>狀態2——>行爲2等等 以一個遊戲的強化學習過程爲例： 所有狀態和行爲組成的序列被稱爲trajectory（軌跡） 某種軌跡出現的概率爲 獎勵R： 下面要求R的梯度 policy gradient： 迭代公式爲 具體的步驟是 計算時，需要最小化 因此，在tf或torch中，求上式的梯度並乘以權重

>>阅读原文<<