深度神经网络 (dnn) 在强化学习 (RL) 中至关重要，因为它们提供了近似表示代理决策过程的复杂函数的能力。在RL中，代理通常需要估计动作或策略的价值，而深度神经网络通过对这些价值函数进行建模或直接将状态映射到动作来提供帮助。
Dnn在具有大的或连续的状态空间 (例如视频帧或传感器数据) 的环境中特别有价值，其中传统的表格方法失败了。例如，在深度Q学习中，DNN用于近似表示给定状态-动作对的预期回报的q值函数。神经网络从代理的经验中学习，并根据Q学习更新规则调整权重。
在策略梯度方法中，神经网络用于直接对策略进行建模，学习使期望收益最大化的参数。通过使用dnn，RL算法可以扩展到更复杂的环境，其中传统方法将是不切实际的。