从 Q-Learning 到 Policy Gradient：为什么要直接学习策略？

hust.111qqz@gmail.com (111qqz) — Sun, 11 Oct 2026 17:40:00 +0800

上一篇走完了从 Q-Learning 到 DQN 的过程。用神经网络近似 Q-Function，输出各动作的 Q 值，取 argmax 选动作。加上 Experience Replay 和 Target Network，DQN 在 Atari 游戏上工作得很好。

继续跟 MIT 6.S191 Lecture 5 往下走，课程在讲完 DQN 之后，介绍了一种完全不同的思路——不学 Q-Function，直接学 Policy。

DQN on 111qqz的小窝