吴恩达笔记——强化学习

奖励机制：

Q（s,a）=R(s)+γmaxQ(s',a')

用NN来训练，得到最佳的Q：

第一步是随机产生一个Q，用来得到作为trainingset的x和y，然后把x和对应的y输入到NN中

 

改良NN：

第一种：把输出层从一个神经元变成跟action个数一样的神经元数量

第二种：贪婪搜索

 epsilon的尝试要从高开始逐渐降低，比如从1到0.01

第三种：mini batch训练 减少训练时间 ——这个也可以作为普通NN的训练方法以减小训练时间

第四种：软更新   不直接Set Q=Qnew，而是：