dqn

1. DL与RL结合的问题
   DL需要大量带标签的样本进行监督学习；RL只有reward返回值，而且伴随着噪声，延迟（过了几十毫秒才返回），稀疏（很多State的reward是0）等问题；
   DL的样本独立；RL前后state状态相关；
   DL目标分布固定；RL的分布一直变化，比如你玩一个游戏，一个关卡和下一个关卡的状态分布是不同的，所以训练好了前一个关卡，下一个关卡又要重新训练；
   过往的研究表明，使用非线性网络表示值函数时出现不稳定等问题。
2. DQN解决问题方法
   通过Q-Learning使用reward来构造标签（对应问题1）
   通过experience replay（经验池）的方法来解决相关性及非静态分布问题（对应问题2、3）
   使用一个CNN（MainNet）产生当前Q值，使用另外一个CNN（Target）产生Target Q值（对应问题4）
   1.构造标签
   前面提到DQN中的CNN作用是对在高维且连续状态下的Q-Table做函数拟合，而对于函数优化问题，监督学习的一般方法是先确定Loss Function，然后求梯度，使用随机梯度下降等方法更新参数。DQN则基于Q-Learning来确定Loss Function。

Q-Learning
有关RL的基础知识不再啰嗦，直接看Q-Learning的更新公式：
Q∗(s,a)=Q(s,a)+α(r+γmaxa′Q(s′,a′)−Q(s,a))