深度强化学习解析：从原始像素玩转 Pong 游戏

Andrej Karpathy 详细阐述了策略梯度算法的原理与数学推导，并展示如何用 130 行纯 Python 代码直接基于原始游戏像素训练 Pong 智能体。该方案采用两层全连接网络将像素差分帧映射为动作概率，在约 8,000 个回合训练后达到了超越内置 AI 的水平。文中还深入对比了强化学习暴力采样与人类基于抽象模型规划的差异，并探讨了策略梯度在不可微网络组件中的拓展应用。