• 与Policy Gradients的不同之处在于，这两个算法评估某个状态s执行某个动作a的期望奖励，即Q(s,a)

• Q(s,a) 有两种方法计算方法，第一种直接查表或者模型预估，Q(s, a) = checkTable(s, a)，这个在训练初期是非常不准确的；第二种方法是通过"一步蒙特卡洛"方法获取，假设执行a后状态是s'，且s'执行了动作了a'，Q’(s, a) = 当前状态奖励 + 衰减系数 * Q(s',a')，近似于一个动态规划问题，当游戏结束，就只有当前状态奖励。但与动态规划不同的是，这个递归关系不会等到游戏结束之后才更新，而是走一步更新一次。

• Q(s, a)表示了模型根据历史数据的预测奖励，而Q'(s,a)表示对当前行动的预测奖励。一个好的模型，Q(s,a) 和 Q'(s,a)应该尽量接近，同时又为了迭代的稳定性，新的Q(s, a) 更新为老Q(s,a)和Q'(s,a)的一个加权平均值（学习率控制）。

• 因为这种方法预估的是奖励值而不是概率分布，所以一般采用奖励最大的动作，这个训练带来了问题，因为在某些状态下可能永远只选择某个动作，要解决这个方法，需要引入epsilon-greedy，即以大概率选择最大奖励动作，保证探索的聚焦性，同时以小概率随机选择某个动作，保证探索空间完备性。

• 由于引入了epsilon-greedy，在Q’(s, a) 迭代公式里，s'该选择哪个动作a‘来计算出现两种选择，是选择最大奖励动作，还是和当前s的选择动作的策略保持一致以小概率随机选择某个动作？

• 如果在s’选择最大奖励动作的贪心策略，就是Q learning，这个叫异策略(off-policy)，如果是和当前s的选择动作的策略保持一致，就是 Sarsa，这种也叫同策略(on-policy)

 

具体理解的例子可以参考：