相关名词解释：
Agent：智能体；
s—state：状态（放在格子游戏中，就是智能体的位置坐标(x,y))
a—action：智能体采取的动作（例如上下左右）
r—reward：奖励（格子世界中智能体每走一步离目的地的远近程度，离目的地近了，说明动作很好，奖励很好）
s_—state_:下一状态，由智能体把动作输入到环境中后，环境所给出的（就是执行动作后，下一个位置）
Environment：试验环境
transition：就是一个类，类中有四个属性s,a,r,s_，经验回放池就是一个transition对象队列，先进先出
经验回放池Replay Buffer/Experience Replay：因为智能体在探索环境时，采集到的样本是个时间序列，样本之间具有很强的连续性和相关性（例如：一个人物一段视频中的前后两帧，其面部表情几乎是没有什么变化的，而且前后两帧还具有很强的因果关系，比如你要想笑，面部肌肉或者就要先变化），但实际上，我们在训练过程中，每条数据之间都要是“独立同分布”的，而经验回放池的目的就是将每一条transition放入其中，并从里边随机取出一定的batchsize，这样就能实现数据的“独立同分布”
经验回访池容量：经验回放池中最多放多少条数据，满了就“先进先出”
经验回访池当前容量：当前池子中有多少条数据
batch_size：每次从池子中随机抽取数据的数量
贪婪策略ε：不考虑全局最优解，只是选择某个阶段的最优解，虽然贪婪策略不一定能找到全局最优解，但胜在简单
动作空间：智能体每一步所有可能运动的方向，例如A=[上，下，左，右]
Q值和Target Q值：完整性态是Q(s,a;w)——状态动作价值函数，即只要给智能体一个状态和相应的动作，就有这么一个Q值
超参数：强化学习中，有些参数并不能推导，是需要提前设定的，这些参数在实际应用中能够解决相关问题
1>折扣率γ：对奖励进行打折的比率，举例来说：在一个格子世界中，有猫（终止状态）、奶酪（奖励）和老鼠（Agent)，老鼠周围有小块奶酪，猫周围有大量奶酪，也就是说越靠近猫能吃到的奶酪越多，但同时危险也越大，相比风险而言，奖励也就不重要了，这也就是时间步越长，奖励越低（人家跑马拉松几个小时，你跑马拉松跑一年，哪还有奖励了），所以时间步越少，奖励越大（γ的方次越小）；反之，奖励越小
# greedy policy
if np.random.randn() <= EPISILO: # 如果随机值<=ε值，则选择最大Q值对应的动作action_value = self.eval_net.forward(state) action = torch.max(action_value, 1)[1].data.numpy()action = action[0] if ENV_A_SHAPE == 0 else action.reshape(ENV_A_SHAPE)
else: # 如果随机值>ε值，则在动作空间中随机选择一个动作action = np.random.randint(0,NUM_ACTIONS)action = action if ENV_A_SHAPE ==0 else action.reshape(ENV_A_SHAPE)
return actionDQN流程
1. 循环迭代400~1000轮，定义奖励数组reward_list,损失数组loss_list,将每一个episode的奖励之和以及损失存入响应数组中，每一个episode执行2、3、4步操作
2. Agent先随机选择一个初始状态s0,并使用贪婪策略选择动作a，将s0、a输入到环境中执行，环境会反馈出奖励r以及下一状态s_,并将这四个元素组成一个资源组transition：（s0,a,r,s_），存入到经验回放池中，并将奖励累加
3. 判断经验回放池中数据满没满（有的算法是判断是否到达最低数据限度），没满就继续执行第1步；满了就执行第3步
4. 池子如果满了（或达到最低数据限度），就从中随机抽取batch_size条数据，具体操作如下
1>将随机抽取数据中的状态s组成一个数据，分别输入到Q网络和Target Q网络中，计算Q值和Target Q值（算出的值都是一个数组）
2>使用均方误差，对Q值和Target Q值计算损失函数
