这里是《深度强化学习》的主要算法实现。为了方便阅读，单个算法的实现及调用放在一个文件中。调用方式简单：
mkdir -p output
python -u 04_dqn.py --do_train --output_dir output 2>&1 | tee output/log.txt根据动作状态空间是否连续，我们考虑两种环境：
- 离散环境：CartPole，https://www.gymlibrary.dev/environments/classic_control/cart_pole/.
- 连续环境：Pendulum，https://www.gymlibrary.dev/environments/classic_control/pendulum/.
| 章节 | 算法 |
|---|---|
| 1 机器学习基础 | MNIST |
| 2 蒙特卡洛 | PI approximation |
| 3 强化学习基本概念 | CartPole |
| 4 DQN与Q学习 | DQN |
| 5 SARSA算法 | SARSA |
| 6 价值学习与高级技巧 | Dueling DQN, Double DQN |
| 7 策略梯度算法 | REINFORCE, Actor Critic |
| 8 带基线的策略梯度方法 | REINFORCE with baseline, A2C |
| 9 策略学习高级技巧 | TRPO |
| 10 连续控制 | DDPG, TD3 |
| 11 对状态的不完全观测 | |
| 12 模仿学习 | GAIL |
| 13 并行计算 | A3C |
| 14 多智能体系统 | |
| 15 合作关系设定下的多智能体强化学习 | |
| 16 非合作关系设定下的多智能体强化学习 | |
| 17 注意力机制与多智能体强化学习 | |
| 18 AlphaGo 与蒙特卡洛树搜索 | AlphaZero |
| 19 现实世界中的应用 |