Deep Q Network 算法

 Deep Q Network 算法前置基础知识：

• Reinforcement Learning 基本概念
• Q Leaning算法原理
• 深度学习神经网络知识
• Tensorflow、Pytorch、Python
• 概率论与数量统计、马尔可夫链、期望、方差

Q Leaning算法概述:

      Q Leaning算法 ：在监督学习中，标签值y是一个固定的值，例如，输入一张图片，预测这张图片是一只猫，或者一只狗，y的标签是确定的。在强化学习Q Learning算法中，Q的目标值（maxQ(S',a) 是下一个状态的动作的最大值，洞察未来）是变化的，随着学习的迭代不断进行更新，Q的估计值（Q(S,A)是当前状态、动作的Q值，关注当下），Q的估计值按以下公式中的学习率、奖励、折扣因子、优势值（Q目标值减去Q估计值）进行更新。

Q Leaning算法的核心在于Q值表（状态、动作、Q值），前向从Q值表中根据状态选择动作，环境根据动作执行一步获得奖励、是否完成任务或掉坑、下一步的状态。反向：根据下一步的状态、动作按上述公式更新当前状态、动作的Q值表。不断迭代学习，最终更新整个Q learning的Q值表。

 Deep Q Network 算法概述：   

       Q Leaning算法的局限性在于静态的有限的Q值表，Q值表中的状态、动作的记录条数固定；设想一下5G自动驾驶的场景，从环境中观测的图片表示一个状态，输入图片是一个高维空间，输入的可能是无数个状态，每个状态有相应的动作，静态的Q值表已不能实现，因此，通过深度学习神经网络来拟合Q值表的状态动