Deep Q-Network

定义 Definition

Deep Q-Network（DQN）：一种将深度神经网络与Q-learning结合的强化学习方法，用神经网络近似动作价值函数 (Q(s,a))，常用于在高维状态输入（如像素图像）下学习决策策略。常见关键技巧包括经验回放（experience replay）与目标网络（target network）以提升训练稳定性。

发音 Pronunciation (IPA)

/ˌdiːp ˈkjuː ˌnɛtˈwɝːk/

例句 Examples

The agent learned to play the game using a deep Q-network.
智能体使用深度Q网络学会了玩这款游戏。

By combining experience replay with a deep Q-network, the researchers stabilized training and achieved strong performance on Atari benchmarks.
通过将经验回放与深度Q网络结合，研究人员稳定了训练，并在Atari基准测试上取得了很强的表现。

词源 Etymology

Deep Q-Network由三部分构成：deep（深度的）指深度学习中的多层神经网络；Q来自强化学习里的Q-function / Q-value（动作价值）概念（源于Q-learning命名传统）；network（网络）指用神经网络来近似 (Q(s,a))。该术语因2010年代中期DeepMind在Atari游戏上的突破性成果而广泛流行。

相关词 Related Words

• Reinforcement
• Q-Learning
• Policy
• Value
• Agent
• Experience
• Replay
• Neural
• Atari
• Exploration

文学与著名作品 Literary / Notable Works

• Mnih et al. (2015), Human-level control through deep reinforcement learning（Nature）：最著名的DQN论文之一，将DQN推广为“深度强化学习”标志性方法。
• Mnih et al. (2013), Playing Atari with Deep Reinforcement Learning（arXiv/DeepMind技术报告）：DQN早期版本与核心思想的经典出处。
• Sutton & Barto, Reinforcement Learning: An Introduction（强化学习经典教材）：虽不以DQN为主线，但系统介绍Q-learning等基础概念，是理解DQN的关键背景读物。