深度强化学习实验室
官网：http://www.neurondance.com/
论坛：http://deeprl.neurondance.com/
问题汇总
蒙特卡洛、TD、动态规划的关系？
DQN的几个变种以及各自解决了那些问题？
深度强化学习中的DQN和A3C区别与联系？
策略梯度的推导过程？
策略梯度和actor-critic的关系与对比？
A3C和DDPG区别和共同点？
value-based和policy-based关系？
off-policy和on-policy的好与坏？
表格式到函数近似的理解？
Actor-Critic的优点？
Actor和Critic两者的区别？
advantage(优势函数)推导过程，如何计算？
DPG、DDPG、D3PG、D4PG之间的区别？
强化学习是什么？和有监督学习的异同？SL靠的是样本标签训练模型，RL依靠的是什么？
强化学习用来解决什么问题？
强化学习的损失函数是什么？
为什么最优值函数就等同最优策略
强化学习和动态规划的关系；
简述TD算法
蒙特卡洛和时间差分的对比：MC和TD分别是无偏估计吗，为什么？MC、TD谁的方差大，为什么？
简述Q-Learning，写出其Q(s,a)更新公式
简述值函数逼近的想法？
RL与监督学习和无监督学习的区别
RL不同于其它学习算法的原因?
Model-based和model-free的区别？
确定性策略和 随机性策略的区别与联系？
on-policy 和off-policy的区别与联系？
重要性采样的推导过程、作用？
Q-learning是off-policy的方法，为什么不使用重要性采样？
...........
160. 写出用第n步的值函数更新当前值函数的公式（1-step，2-step，n-step的意思）。当n的取值变大时，期望和方差分别变大、变小？
161. TD(λ)方法：当λ=0时实际上与哪种方法等价，λ=1呢？
162. 为什么Policy中输出的动作需要sample，而不是直接使用呢？
163. 是否用某种DRL算法玩过Torcs游戏？具体怎么解决？
164. 为什么连续动作环境下使用DDPG的表现还没有直接动作离散化后Q-learning表现好？
165. PPO算法中的损失函由那些组成？
166. 深度强化学习中奖励函数如何设置？如何Reward Shapping？
167. 你在强化学习模型调试中，有哪些调优技巧？
168. 简述PPO、DPPO算法？
169. 离散action和连续action在处理上有什么相似和不同的地方？
170. Inverse RL 能否解决奖励问题，如何解决的？
完整版链接：http://deeprl.neurondance.com/d/376-170
参考文献
[1]. https://zhuanlan.zhihu.com/p/52143798
[2]. https://mp.weixin.qq.com/s/R6eFiv3Iczli2nNCfOt6gg
[3]. https://github.com/NeuronDance/DeepRL/blob/master/DRL-Interviews/drl-interview.md
[4]. https://my.oschina.net/u/4339481/blog/4498611
完整版请点击左下角“阅读原文“