前面的文章简单介绍过，传统的监督学习所使用的数据集是（特征，标签），有“标签”即明确的知晓正确的输出应该是什么。而强化学习所面临的问题并不一定有严格的正确答案，而只是知晓一个大概正确的方向：如在下围棋时，第一步下在哪里？显然这个问题没有一个明确答案，这个时候使用强化学习显然比监督学习更加合适，因为监督学习需要的是具有明确答案作为标签的数据集。
强化学习的结构逻辑模型可以用上图简单表示：
三要素：1.Actor，即模型；2.Environment，环境 3.Action，即模型的输出
Environment输入Observation给Actor，Actor输出一个Action给Environment，Environment回复一个Reward（奖励）分数给Actor，接着继续把Observation交给Actor，如此循环。模型训练的要求就是使得Reward最大，代表我们找到了最优的模型。
对于模型来说，Environment输入Observation给Actor，即代表模型从环境中提取到了状态信息，根据这个状态信息模型来判断下一步的动作；而模型输出的是一个分类的结果，即多个动作对应多个不同的概率；在输出概率分布以后要添加一定的随机性，使得每次的输出结果具有差异性，然后选择最大概率所对应的动作。
模型在选择一个动作之后，这个动作实际是对Environment发生，相应的Environment会给模型一个回馈Reward，然后再给模型一个新的Observation，模型继续选择新的动作，循环此过程。这个过程中的Reward会被累积下来，Reward越大，代表模型做出的动作越好。用表示reward累计，因为我们希望R越大越好，所以R取反可以直接作为损失函数，使得最小化损失和最大化奖励统一起来。
整个强化学习的过程逻辑图如下：
需要注意的是，只有Actor本身是神经网络结构，而Env和Reward都是黑盒子，这意味着我们只能优化Actor的参数，而Env和Reward中的参数是无法优化的。有了通过Reward定义的损失函数，有了模型Actor，显然我们可以通过常规的深度学习的方法来优化Actor中的参数。
那么如何使得在给定S1时，模型能输出指定的值a？
这个时候的输出是可以明确的，这样的训练可以使用监督学习完成。可以通过经典的多分类问题思路来处理，即用交叉熵定义损失函数。如果不想要模型输出指定的值a，只需要对损失函数取反。
而实际的情况是，环境的状态S是由多个Si构成的，每训练一组S-a即训练一个多分类问题，把这些问题的损失函数（交叉熵）加在一起，即可训练出在不同的状态下应该使用什么动作。这里读者可能会有疑问：上述介绍的问题似乎都是监督学习问题，即可以明确正确输出的标签，与reward又有什么关联呢？这个问题将在下一讲给出答案。