昨天收到一个新的订阅通知，很是欣喜，感谢订阅同学的支持。

还以为这个专栏没有人关注了呐，一直也没什么兴趣更新。

为了回馈大家的支持，继续更新一篇。

今天写一下强化学习力的 Policy Gradient，这个之前的时候一直不太懂了，回头看确实蛮简单的。

1、Policy Gradient 到底咋回事

强化学习四要素：状态(state)、动作(action)、策略（policy）、奖励(reward)。

名词	解释
智能体	学习器与决策者的角色。
环境	智能体之外一切组成的、与之交互的事物。
动作	智能体的行为表征。
状态	智能体从环境获取的信息。
奖励	环境对于动作的反馈。
策略	智能体根据状态进行下一步动作的函数。
状态转移概率	智能体做出动作后进入下一状态的概率。

Policy Gradient 翻译过来就是策略梯度，就是训练策略这个神经网络。

2、损失函数是什么？

Policy Gradient 是不存在 具体的损失，是通过动作的好坏来判断。

动作的好坏是根据reward进行实现。

举个例子：

在 某一 状态 下，假如可以选择三种动作，可以选择  前进，后退，跳，并且没有其他的选择