深度学习 lab16 强化学习笔记(Q-learning sarsa flappy bird)

concept

三个主要概念：状态State，行动action，奖励reward

两种强化学习的方法

1. Policy-Based(policy-gradient):

直接预测在某个环境下应该采取的action
         
适用范围： 更通用，action种类非常多或者又连续取值的action的环境

2. value-Based(Q-learning)

预测某个环境下所有action的期望值(Q 值)， 选取Q值最高的action 执行策略。

适用范围： 只有少量离散取值的action的环境

Q-learning

一次action 更新一次Q表

算法更新

算完全部action后，走最好的action

SARSA

直接走了，管你那么多

sarsa比较胆小， 但是因为markov的 0.9，0.1 所以最后还是能走到黄点

ref 莫凡python,nthu deep learning course