qlearning 吾找了很久的中文名，终不得其果。
qlearning为何物，建立q_table ,优化q_table 矩阵的值。
何为q_table. 无例要不成文。
先理一下 ，这个例子的逻辑, 可以阅读完全文再返回来理解
源码地址：HTTPS://GITHUB.COM/YUANYUANGONG/GYYTENSOR.GIT
在 《零碎的python基础代码》··这个文件夹里。人懒就不重新起 项目，感谢莫烦大神的教程和源码
1，根据实际情况 建立 q_table
2，在不同的位置根据设置的方法 选择动作 （left,right）
3，根据选择的结果
一，小明想要从1走到6，吾等人类肯定知道 一直往右就对了，但电脑不知道啊，对于电脑 走到 每个 各自都有 两个 方向 right left
那么吾就把 格子一记作 state:0 (数组都是从0开始的)，格子二 记作 state:1 .每个 格子两个选择（left,right）以此列推,可记作 矩阵：
import numpy as np
import pandas as pd
n_states=6
actions=['left','right']
q_table = pd.DataFrame( np.zeros((n_states, len(actions))),columns=actions, )
print(q_table)
上面这个矩阵 里面的 0.0 表示 在 status 0 往left 可以获得的 收益值 。至于这 个值 初始是 0.0 。随着训练，在后面通过特有的方法来改变（优化）。
整个矩阵表明了 在 格子1 ，2 ，3 等 地方 往left 的好处值 以及 往right 的好处，尽管现在全是0.0 。那么电脑现在只会随机选择方向。
有这么一个可以记录 每个格子 （state）选left 还是right 的表，就是让 电脑去瞎走，每走一步，改变 好处值（价值）就是 那些 0.0
代码如下
这是选择 向left right 的逻辑
state 是 0，1，2，3，4，5
1,传入参数 当前格子（state）--可以理解当前位置 q_table
2, q_table.iloc[state, :] 获取当前 state 的 left right 的价值
3，np.random.uniform() 获取一个0到1 的随便变量。EPSILON 全局变量 设置为0.9
意味着 这个函数 10%的几率 执行 随机选动作 np.random.choice(ACTIONS)
def choose_action(state, q_table):
state_actions = q_table.iloc[state, :] #获取当前 state 的 left right 的价值
if (np.random.uniform() > EPSILON) or ((state_actions == 0).all()):
action_name = np.random.choice(ACTIONS) #10%的几率 执行 随机选 动作
else:
action_name = state_actions.idxmax() #选择 价值最大的 动作
return action_name
当 执行动作就要获取这个动作的反馈，这个例子的反馈只有 两个 到达6 ，没有到达 6 用参数R = 0 or 1
传入参数 格子位置state（S） 动作action(A)
返回 S_ (下一步的位置)，R（是否到达）
def get_env_feedback(S, A):
if A == 'right': # move right
if S == N_STATES - 2: # N_STATES总共多少格子 （-2？从0 开始计数）
S_ = N_STATES-1 #终点
R = 1
else:
S_ = S + 1 #往右 state +1 也就是位置增1
R = 0
else: # move left
R = 0
if S == 0:
S_ = S # 到起点
else:
S_ = S - 1 #往左位置减 1
return S_, R
执行了动作，获取了 state(位置) 以及是否到达。就开始评估 这个动作的价值。也就是改变那些0.0。
来看看代码是怎么个逻辑吧
A = choose_action(S, q_table) #选择动作
S_, R = get_env_feedback(S, A) #获取反馈
q_predict = q_table.loc[S, A] #根据q_table 获取 当前 位置（S）,动作（A）对应的 价值 （0.0）
if R != 1:
q_target = R + GAMMA * q_table.iloc[S_, :].max()
#GAMMA 是全局变量， 设置为0.9，获取当前位置 最大的值那个值
else:
q_target = R # next state is terminal
q_table.loc[S, A] += ALPHA * (q_target - q_predict) # ALPHA全局变量，可以理解为学习速率。
update_env(S_, episode, step_counter+1) #更新显示的位置
当然，上面这段代码需要循环多次 才能 吧 q_table 更新到我们想要的。
总结一下。qlearning. 就是 让 傻瓜 一开始 瞎乱跑。当这个傻瓜 跑到了 终点。就让他记住 在某个位置，执行了 某个动作 获得了成功 比如在 位置 5 执行向右 到6 。那么 傻瓜就记住了 位置5 动作right 对应 价值 为 1 （你也可以设置成100 ，随你高兴）。一次还无法让傻瓜学会从 1 到 6 怎么走。 他现在只知道 5到6 该如何走。
没事让他 从新再瞎跑一遍。当傻瓜 从位置4到位置5 ，根据上一次经验，位置5 上有 价值。于是就记录位置4 动作right 对应 价值 为 1*0.8 （0.8是我设置的系数，目的？现在不予讨论，去了解一下泛化吧）
同理，可以组建推出 4个位置的 right left 的价值。在这个例子中起点 ，终点的价值是 固定的 0 1。
因为该例子 简单，还不足以证实qlearning 的强大，请关注下一期的 ，走棋。
最后，感谢阅读此文的同志们，若有疑问可以加 QQ 群，660357555 一起来探讨。