李弘毅的强化学习

1\policy Gradient(Review)

　　三个组件:Actor\Enviroment\Reward

　　Enviromwnt和Reward开始之前就已经存在,能调整的就是Actor的策略,如何是Actor的策略可以得到最大的Reward.

2\Policy of Actor

　　policy:π,是带有参数的network

　　input:机器可以理解的数据,矢量或者矩阵

　　output:动作的选项,有几个就是有几个neuron.network给这几个动作权值.权值不同,采取的policy就不同.

　　流程:Actor-->环境--->判断结果采取action,采取Action之后会得到reward

李弘毅的强化学习

原文：https://www.cnblogs.com/smartmsl/p/10992342.html