weslythisway

> 您好，请教下在for i in range(episodes): 下面，也就是第52行，model 还没开始train怎么去做choose_action里的predict？ 還沒train的情況下 系統默認 每一種 action 機率基本相同，所以一開始action 就是隨機的

> 运行了300的多个周期依然没有收敛迹象，是不是memory有问题。。。 運氣問題，起始點不好就跑到local minum，多重跑幾次程式碼就有機會看到收斂

想請問你的train 為什麼模型 只訓練 當次 episode ，過去的回合不訓練??

比較大的問題是不是，model 在 train 的時候程式碼只用單次遊戲的資料進行訓練，並沒有把過去玩的資料一起納入訓練??

想要請問為何程式碼中，訓練模型僅使用當回合的數據，policy gradient 不是要把過去玩的回合的數據一起納入訓練??