强化学习——随机策略与策略梯度
1.value-based 与policy-based2.softmax函数3.举例：策略网络输入的是整个图像（向量或矩阵），输出的是3个动作的概率（向量）代表策略输出的概率，在状态s下选择a的概率，由于环境的随机性，不同的策略到不同的环境，这个概率用p来表述，称作状态转移概率。代表智能体在环境s选择动作a后有多少概率去s'（智能体的选择是可以优化的，环境的随机性是无法人为控制的）期望回报：在正常的情况下不会穷举所有的轨迹，且环境转移概率也不易计算，所以当
