DQN核心思想理解

　　看过Deep learning（convolutional neural network），看过RL（Q-learning）。但是在两者结合这一块一直弄不明白。

　　我的疑问在于一直不明白DL是怎样识别出那个特定的物体，比如，木板或者小鸟。以及Q-learning怎样做决策。

　　后来才发现，DQN的核心思想并没有识别出特定物体。

　　DQN里面的Deep learning部分，输入是原始图像，输出是action对应的Q值（类似于有这么多action类，每一类的概率值）。原始图像就是当前state (current state)，把当前state输入到Deep Learning里面，以计算在该state下对应的各Action的Q值。

　　有人问，那这怎么计算啊。我们都知道在RL里面，Q值是通过Reward来更新的。但是在DQN里面，Q值是直接算出来的。你可以把中间的neural network部分，看成一个函数f，最后输出的Q(s,a) 就等于 f(s)。这是非常不同的一点。

　　这样就算了，那感觉和Q-learning也没多少联系啊。联系在于neural network的loss function部分。我们都知道neural network是需要训练后，才能正常工作的。既然要对Neural network进行训练，那么Loss function就是必须的。那么怎样定义这个loss function呢？我们都知道这个loss function是对neural network的输出Q值进行更新的一个函数。Q值更新？似曾相识啊，这个Q值更新我们参考《Reinforcement Learning: An Introduction》2nd sutton教材的P142页：

　　这个就是Q值的Q-learning更新公式。我们就用这个公式来做loss function，保证最后得到的Q值是最优的。

　　至于怎样训练，就是类似于RL的通用方法，通过经验值计算。思想就是，大量模拟，在数量达到一定阶段后，这个得到的Q值就非常接近真实的Q值了。学名叫做experience replay（经验池），可以参考蒲丰投针实验。（其实这一点有点模糊，在RL里面，为什么Q会趋近于真实值Q，一是因为有实际的环境模拟，二是因为有一个Reward，这个Reward是按照一个终值的确定Reward，一点点往前面state传递的，所以在很多episodes后，Q值最终会趋向稳定。但是在Neural Network中，这种前后states之间的联系是如何保证的？以及为什么这样计算他就也能像Q-learning那样收敛？难道是weights的原因，毕竟前后states是用同一个neural network。这里有待进一步弄清楚）

References:

https://zhuanlan.zhihu.com/p/21421729