还是采用神经网络用于状态和行为概率的非线性拟合

1、随机策略梯度算法回顾

如上图，迭代公式定义为新=旧+alpha*吃惊程度。所谓的吃惊程度是指，根据当前策略依概率选择了一个行为，虽然这个行为概率较小，但”-log"之后很大，这时候反馈回了一个奖励vt，表明这个小概率行为让决策人很吃惊，接下来要大改参数。

2、如何定义神经网络损失
已知策略梯度法不是依赖损失来反馈修改参数，但神经网络迭代依赖的就是损失，那么如何定义策略梯度的“损失”。
将问题转换为分类问题：
已经获得了一整条轨迹（s1,a1,r2,s2,a2,r3,s3,a3,r4,s4,…)
假设，对于s1，认定a1就是对的，也就是s1对应的真实标签，onehot编码后也就是（1，0，0，…，0)；
此时，将s1输入神经网络中，得出一个行为概率分布，与真实标签对应后，就会得出一个分类交叉熵；
但事实却不是这样, 动作a1不一定是 “正确标签”,于是加入vt（奖励来修正损失方向），用 vt 来告诉这个 cross-entropy 算出来的梯度是不是一个值得信任的梯度. 如果 vt 小, 或者是负的, 就说明这个梯度下降是一个错误的方向, 我们应该向着另一个方向更新参数, 如果这个 vt 是正的, 或很大, vt 就会称赞 cross-entropy 出来的梯度, 并朝着这个方向梯度下降.