原版：对于agent做出的动作a，r(s, a) = − log(1 − D(s, a)) ，被判别器判定越接近专家行为，奖励就越大，这种方式适用于有生存奖励的RL环境，比如说Atari游戏，但对于想尽快结束的环境可能不适合，如果用这种方式也需要结合环境原本奖励并把Gail奖励的系数调低。相较于PPO 其需要一个额外的判别器D，D的作用是用来区分agent做出的动作和expert做出的动作，越接近

这个运行配置里面也可以选择虚拟环境，结果就是 你运行的代码是基于这个运行配置里的虚拟环境 而不是你项目设置里的虚拟环境，所以明明装了包，pip list也可以看到，甚至写代码 import 也不会报错，但代码已运行就会报错。