我们已经知晓强化学习的基本要素有actor、environment、reward。强化学习的基本模型如下：
environment交给actor一个observation，即s；actor得到s向量以后给出动作action，即a；a、s输入reward模型，得到分数r，通过分数来衡量优势函数A的取值（上述例子直接用奖励r定义优势函数）；损失函数通过交叉熵和A共同定义，通过减小损失函数，优化actor的参数
而实际上，每一个动作a会直接影响到后续的s和a，因此a之间并不是相互独立的。另外一个问题是，如果简单的用r来作为A的数值，会有一个问题，就是只有在做固定的action时A才会增加，这会导致actor只会选择固定的action，实际上的RL对A的定义有多种方法。
一种定义优势函数的方法是把动作a之后所有动作获得的r累计起来，作为该动作的优势函数。
优势函数，使用此优势函数将会使actor的action选择更加多样化，而不是只采用reward为正的动作，从而更可能从全局视角考虑问题的最优解。
但是上述定义优势函数的方法有一个问题，那就是奖励的值似乎并不直接受到动作
的影响，或者说受到其影响较小，更合适的一种优势函数设定的方法是
可能存在一种情况，即所有的action对应的A都是大于零的，这样actor将会认为所有的action都是好的，这显然不对；所以还需要对A进行标准化。最简单的标准化方法是直接减去一个baseline，即,
就是baseline，人为设定。
接下来介绍上述思想的程序逻辑：
1.actor是一个神经网络模型，首先需要初始化actor的参数
2.actor初始化之后，用其跟environment进行互动，得到一系列的对
3.计算优势函数，用于评价对的得分
4.定义损失函数，如交叉熵
5.用优化器结合损失函数更新actor参数
这里有一个重要问题，actor在训练过程中所使用的训练集使它自己和环境交互产生的，这是RL显著区别于传统的监督学习的地方。
上述例子中，actor每和environment互动一次，产生一组{s，a}，然后再计算价值函数A，接着计算出损失函数，更新actor的参数；在下一个循环中，actor已经是新的actor了，其和environment互动将产生新的{s，a}，然后循环此过程。这意味着actor每次用来的训练的数据都是它自己产生的。这种训练用自己产生的数据训练自己的方法叫做on-policy。这种方法的局限在于收集资料的过程太过于漫长，而不能像监督学习一样直接使用现成的数据集。
对应的，自然有actor依赖别的actor所产生的数据进行训练的方法，叫做off-policy。一种经典的off-policy算法就是之前提到过的PPO(近端策略优化)。
在训练过程中，为了使得模型泛化能力更强，需要给actor增加一定的随机性，如在actor的参数上加一些noise或者扩大actor输出的交叉熵
