# 深度强化学习 强化学习是一种学习形式，其中软件智能体观察环境并采取行动以最大化其对环境的奖励，如下图所示：  这个比喻可以用来表示现实生活中的情况，如下所示： * 股票交易智能体观察交易信息，新闻，分析和其他形式信息，并采取行动买入或卖出交易，以便以短期利润或长期利润的形式最大化奖励。 * 保险智能体观察有关客户的信息，然后采取行动确定保险费金额，以便最大化利润并最大限度地降低风险。 * 类人机器人观察环境然后采取行动，例如步行，跑步或拾取物体，以便在实现目标方面最大化奖励。 强化学习已成功应用于许多应用，如广告优化，股票市场交易，自动驾驶汽车，机器人和游戏，仅举几例。 强化学习与监督学习不同，因为预先没有标签来调整模型的参数。该模型从运行中获得的奖励中学习。虽然短期奖励可以立即获得，但只有经过几个步骤才能获得长期奖励。这种现象也称为**延迟反馈**。 强化学习也与无监督学习不同，因为在无监督学习中没有可用的标签，而在强化学习中，反馈可用于奖励。 在本章中，我们将通过涵盖以下主题来了解强化学习及其在 TensorFlow 和 Keras 中的实现： * OpenAI Gym 101 * 将简单的策略应用于 cartpole 游戏 * 强化学习 101 * Q 函数 * 探索和开发 * V 函数 * RL 技术 * RL 的简单神经网络策略 * 实现 Q-Learning * Q-Learning 的初始化和离散化 * 使用 Q-Table 进行 Q-Learning * 深度 Q 网络：使用 Q-Network 进行 Q-Learning 我们将在 OpenAI Gym 中演示我们的示例，让我们首先了解一下 OpenAI Gym。