你们是怎么忍住不整一波AI玩贪吃蛇的？——Policy Gradient思想、REINFORCE算法，以及贪吃蛇小游戏（二）

---

前情提要

上回咱讲到，对于计算机而言，策略可以是很抽象的东西。

或者说得更直白一些。

只要是一个输出能和动作空间形成对应的函数，不管你是一个超级离散的字典，还是神经网络，还是完全随机的东西，都可以是一个策略。

而要在这些五花八门的策略中，找到最优的那个，就需要：

（一）这个策略所用的函数，需要是基本可导的。（其实现在的神经网络，几乎在数学上也是不可导的。但实际操作上，可以认为是可导的）说人话，就是，最好是个深度的神经网络。这玩意儿好啊，可以被求导，也可以被优化。

（二）找到一种机制，去更新一个策略到一个更优的策略。

为此，我们首先得能评价两个策略，哪个更好，哪个更坏。

例如，有人会在大盘低于3000点的时候，开始定投。这是一种策略。

有人会在大屏低于2900时，才开始定投。这也是一种策略。

但从字面来看，其实我们很难就笃定，哪一个策略一定是比另一个更好的。

（三&