深度强化学习与传统强化学习有什么不同？

深度强化学习（DRL）和传统强化学习（RL）有以下不同之处：

特征提取方式不同

传统强化学习通常需要手动设计特征，然后将特征传递给强化学习算法进行学习，而DRL可以通过深度神经网络等技术自动地提取特征，从而不需要手动设计特征。

处理高维度状态空间的能力不同

DRL可以通过深度神经网络等技术处理高维度、复杂的状态空间，而传统强化学习通常只能处理低维度、简单的状态空间。

处理非线性关系的能力不同

DRL可以通过深度神经网络等技术处理非线性关系，从而适用于更加复杂的任务，而传统强化学习通常只能处理线性关系。

训练效率不同

DRL可以通过深度神经网络等技术提高训练效率，从而可以更快地学习到更好的策略，而传统强化学习通常需要更长的训练时间。

应用场景不同

DRL通常应用于更加复杂、高维度、非线性的任务，例如游戏AI、机器人控制、自然语言处理等领域，而传统强化学习通常应用于低维度、简单的任务，例如迷宫问题、倒立摆问题等。