深度强化学习(Deep Reinforcement Learning) ，强化学习是一种人工智能的通用框架：
1、强化学习是针对一个拥有行动能力的agent 而言的
2、每个行动影响了agent 的未来状态
3、使用标量值回报信号来度量成功
一言以蔽之：选择行动来最大化未来回报。我们最终的目标是寻求得到可以解决所有人类层级的任务的单一的agent，这也是智能agent 的本质。
agent和环境
强化学习结构：
在每个时间步t、agent：
–接受状态St
–接受标量回报rt
–执行行动at
强化学习的环境：
–接受行动at
–产生状态St
–产生标量回报rt
强化学习的场景和例子
1、控制物理系统：行走、飞行、驾驶、游泳、……
2、与用户进行交互：客户维护retain customers、个性化频道personalisechannel、用户体验优化optimiseuser experience、……
3、解决物流问题：规划scheduling、带宽分配bandwidth allocation、电梯控制、认知无线电cognitive radio、电力优化power optimisation、……
4、玩游戏：棋类、扑克、围棋、Atari 游戏、……
5、学习序列化算法：注意力attention、记忆memory、条件计算conditional computation、激活activation
策略policy 和估值value 函数
策略π 是给定状态下选择行动的行为函数：
a=π(s)
估值函数Qπ(s, a)是从状态s开始在策略π 下采取行动a 的期望全回报：
估值就是评估在状态s 时采取行动a 的好坏。
强化学习的几个方向
基于策略的强化
–直接搜索最优策略π*
–目标就是得到最大未来回报的策略
基于估值的强化
–估计最优值函数Q*(s, a)
–在任何策略下可获得的最大值
基于模型的强化
–构建一个环境的迁移模型
–使用该模型进行规划（通过查找规则）