强化学习没有任何的标签来告诉算法应该怎么做，它会先去尝试做一些动作，然后得到一个结果，通过判断这个结果是对还是错来对之前的动作进行反馈（对了会获得奖赏，得分，通过最后所有最高得分确定，奖赏相当于标签）。

强化学习中Agent的组成：
一个Agent由Policy（策略）、Value function（价值函数）、Model（模型）三部分组成，但这三部分不是必
须同时存在的。

Policy（策略）：它会观察当前环境得到state（状态），根据state（状态）来决定action（动作），它有两种
形式。一种是Deterministic policy（确定策略），即在某种环境下就执行某种动作。另一种是Stochatic
policy（随机策略），即它是在某种环境下以一定的概率执行某个动作。

Value function（价值函数）：它会观察当前环境的state（状态），预测当前state（状态）下获得reward（奖赏）的期望，用于衡量当前状态的好坏。
Model（模型）：它会预测环境下一步会做出什么样的改变，从而预测Agent接受到的state（状态）或者reward（奖赏）是什么。因而有两种model（模型），一种是预测下一个state（状态）的transition model。
一种是预测下一次reward（奖赏）的reward model。

在学习的过程中，会有一个Exploration（探索）和Exploitaion（利用）之间的平衡。
Exploration（探索）：会放弃一些已知的reward信息，而去尝试一些新的选择。
Exploitation（利用）：根据已知的信息最大化reward（奖赏）。