上回的地址：强化学习入门到不想放弃-3 (qq.com)
上上回地址：强化学习入门到不想放弃-2 (qq.com)
上上上回地址：强化学习入门到不想放弃-1 (qq.com)
好久没更新了，也是不知道写啥啊，（有些文章刚写了就被有些企业给告了，然后就被删了，我也不知道我啥不该些的了）正好O1比较火，我就想起来我之前写的RL强化学习这块，之前是真的没人看啊，RL现在因为O1就特别的火了，所以我再尝试一下写写，看看有人看没。
可能也是我写的太散了，太书本话了，那今天先从广义上大家想了解的PPO吧，后面会写DPO, Q-learning， DQN
强化学习的一些基本概念，上面的机器人叫Agent，下面的地球叫environment。
Agent：与环境交互的进程（也可以是网络）
Environment：即环境，说白了就是一些规则的集合（已知的/未知的）
Agent和Environment有三种交互方式
1- Obseveration: 就是观察环境，观察什么呢？就是观察环境的状态，也就是state，那什么是state呢？比如说AlpacaGo可以观察围棋的棋盘上面的落子，或者图里的看到一杯水。
2- Action：就是对环境执行的动作，Action对环境执行了动作以后，环境就改了，比如把水给洒桌子上了，那state 也就是环境的状态，也就变了
3- Reward：Agent默认如果对环境的规则没有任何概念的话，它是不知道如何做的，但是比如弄洒了水咋桌子以上，这种的行为，其实就是一个减分项，如果我们认为洒水要-100分，而把水擦干会得200分，那在之后Agent于环境的操作就不会洒水了，而发现别的水洒了，它会擦干，其实就有点像小孩对这个世界刚开始的认识差不多，是靠一些奖惩机制来了解世界的。
从一个抽象的理解，其实强化学习就是这么定义的。
我们拿Super Mario Bro来套用刚才的概念
1- Action Space：就是你能做哪些操作，比如这里我就给一个向量
{left，right，A, B} （任天堂的操作），这是指这个游戏里你可以操作Mario执行任何的操作
2- Policy：Policy就是Agent Oberserve了Environment以后，比如它可以读取棋盘的对弈态势，或者它能通过几个连续帧来了解你的Mario处于的危险之中，以后输出Action的概率分布，一般用π来表示。
比如：{left:0.2，right0.2，A:0.2, B:0.4} (跳的操作)
3- Trajectiory：也就是轨迹，什么是轨迹呢，因为对于一局国际象棋，一局Super Mario，虽然某些动作能决定你的生死，比如一记妙手，比如前方有个乌龟正挡在Mario前进的道路上。
但是，大部分的情况下，一个action，决定不了你的输赢，你的胜利正常情况下是建立在一系列的动作操作基础上的，说白了是一个序列，我们一般叫它Episode, 由若干个state和action组成，这里用s和a来简写
比如{S0,a0，S1,a1,s2,a2.....St,at,St+1,at+1}
st+1一般是由st,at来决定的
st+1分为，确定的，和不确定的，比如 围棋的落子就是确定的，比如马里奥顶带有？的格子拿宝物，就是不确定的。
而a其实也分为两种，第一种是离散的，比如Mario的操作，上下左右，BA啥的，这样好弄，但是第二种连续的，就比较麻烦，比如求一个温度，求一个力量的牛顿数，这种就很难采样，这些以后讲怎么处理。
4- 最后一个就是 Return或者交Total reward，就是你执行的所有action统一获得的奖励的和。
先写到这，下节应该写马尔科夫和贝尔曼方程，不过也可能想到啥写啥，毕竟我没有提纲
