深度强化学习 task03-2

1. 蒙特卡洛MC和时序差分TD的区别

蒙特卡洛（回合更新）：一个序列产生之后计算总收益，然后再更新
时序差分（单步更新）：每走一步进行一次更新
强化学习主要采用的是蒙特卡洛的回合更新的方式
2. 具体计算方法

具体代码为

计算输出action时用到类似交叉熵损失的方法，但由于真实的action未知，因此在交叉熵前乘一个权重（奖励分数），分数越高的输出这样的action概率越大，代码为


3.on policy 和 off policy
on policy:一边互动一边学习
off policy:先看别人下棋自己再学
主要采用off policy
由于预先不知道各action的出现概率分布$p(x)$，只能以另一种概率$q(x)$进行采样，因此对期望做一个转化

最后这个$J$就是新的目标函数
4. PPO/TRPO
$\theta$和${\theta }^{\prime }$的分布要差不多，因此要进行一种操作，使得两者相似，在原基础上减一个值，作为constraint,这就是PPO

PPO的前身是TRPO，

实际操作中，PPO更容易。PPO减掉的哪一项表示的是两者行为上的距离（没懂）
具体的操作：

这里面$\beta$需要动态调整（蓝色方框里面）
这里面据说算$KL$的时候很复杂，然后对PPO做了改进

这里面$clip$的功能是对第一项作一个截断，小于$1-ϵ$就输出$1-ϵ$，大于$1+ϵ$就输出$1+ϵ$