一、 参考：https://blog.csdn.net/itchosen/article/details/77200322
这里的关系是，主要用强化学习方法控制cartpole，同时由于是连续状态动作，所以用到了神经网络来拟合策略函数，策略梯度在这里的作用，是对神经网络的参数进行更新，是更新参数的一种方法。 1，此处用到三层神经网络：输入层，隐藏层，输出层 因为此处需要输出的动作只有三个，所以相当于用神经网络对动作进行分类，分类一般用softmax函数（离散动作选择此函数）（激活函数：因为不加激活函数时，神经网络是线性的，处理问题能力有限），它将动作映射成（0-1）范围的一个概率，相当于输出三个概率。 2，对应与softmax激活函数，损失函数一般用对数似然函数。 （这里有点问题，在别处看到，这个y其实应该是最终的结果，即如果最终符合我们的要求，则y=1，即求最大化我们的损失函数，反之为-1，即最小化损失函数，但两种思路结果一样，都是最优化损失函数 ）
可见（个人理解）梯度下降也只是针对我们更想要的一个类别进行参数优化。
这里神经网络的输入是状态，输出是概率（即采取某个动作的概率），然后才去动作，得到奖励。训练的过程就是让奖励大的动作，发生的概率更大，奖励小的动作发生的概率更小。
