step 1:Neural Network as Actor
step 2:goodness of function(训练一些Actor)
是一个序列，包含T个状态s、行为a、奖励s。代表某一次的开始到结束的过程。
是一个奖励和。
是某一设定好的参数
获得的总平均奖励
用策略去玩N次游戏获得N个
，则从概率
中进行采样。
step 3:pick the best function(找到最好的一个Actor)
方法：Gradient Ascent
即最大化，用Gradient Ascent方法寻找使
最大的
添加偏置
这里的有可能总是正数，加上一个偏置b即可。
如果相减还是得到一个正数则可以提高该行为的概率，否则降低该行为的概率