超参数
统计
Episode: 0
步数 (当前): 0
最近奖励: --
最佳奖励: --
平均奖励 (最近10): --
缓冲区: 0
从表格到神经网络
Ch15 用表格存 Q 值（48 格 x 4 动作 = 192 个数字）。
但 CartPole 有 4 个连续状态变量，表格装不下。
DQN：用神经网络（4→16→2）输入状态，输出 Q 值。
经验回放：把过往经验存起来，随机采样训练，打破数据相关性。
目标网络：用旧网络算 target，稳定训练。
训练需要时间，耐心看奖励从 ~10 涨到 ~200。
Ch15 用表格存 Q 值（48 格 x 4 动作 = 192 个数字）。
但 CartPole 有 4 个连续状态变量，表格装不下。
DQN：用神经网络（4→16→2）输入状态，输出 Q 值。
经验回放：把过往经验存起来，随机采样训练，打破数据相关性。
目标网络：用旧网络算 target，稳定训练。
训练需要时间，耐心看奖励从 ~10 涨到 ~200。