强化学习一

训练强化学习模型，需要和环境持续的交互，通过和环境交互来优化我们的价值函数。每次和环境交互，我们认为是一次迭代。在这个迭代中我们优化我们的目标函数。在每次和环境交互的时候，我们需要根据我们的策略选择动作。这个策略选择动作时，我们会根据历史经验得到的最优动作，有可能不是真实环境里真正最优的，因此很多时候需要探索未知动作的表现，也就是防止一些较好的但我们没有执行过的动作被错过。