前面介绍了Actor的策略，接下来介绍Critic。

1. 什么是critic

critic就是一个神经网络，以状态s为输入，以期望的reward为输出。

1.1 Actor和Critic的区别

• Actor是以s为输入，输出对应的action和其概率。
• Criti则是以s为输入，输出对应的reward期望值。

1.2 为什么要有critic

在前面介绍Actor时，我们定义的用来更新θ的
$\triangledown\bar R_\theta=\sum_\tau R(\tau)\triangledown p_\theta(\tau)$▽Rˉθ​=τ∑​R(τ)▽pθ​(τ)
这其中$R(\tau)$R(τ)是machine与环境互动所获得的实际reward，这就导致具有很大的不确定性。因为machine采取什么样的动作是一种概率性的行为，而同一个动作，环境给予什么样的reward也是具有随机性的，这样将会导致machine的学习效率比较低下，就像没头苍蝇乱撞，可能学习很久都找不到正确的方向。所以我们要给machine一个正确的方向，即使用它的期望值代替实际的reward，期望值是可以被估算、计算的，这样就有利于我们去设计特定的函数来估算、计算期望的reward，从而引导我们的machine去做出我们想要的action。

1.3 critic和Q-Learning的区别

critic是只计算期望的reward，并不会根据这个reward选择action，而Q-Learning则会根据估算出来的reward选择最大的那个reward对应的action。

1.4 value-based和policy-based的区别

value-based是根据计算出来的期望reward，选择最大的期望reward所对应的action。典型代表Q-Learning。
policy-based是将计算出来的期望reward当作选择action的概率，期望的reward越大，对应的action被选中的概率也就越大，但不一定就会被选中，只是概率。典型代表Policy Gradient。

2. 如何获得Critic

非常简单，直接使用一个神经网络，以状态s为输入，value为输出即可。

3. critic怎么和actor结合

使用critic输出的value代替$R(\tau)$R(τ)，具体公式如下图，这就是A2C策略。