标准的GAN在处理离散数据时遇到的问题：生成器难以传递梯度更新；鉴别器难以评估非完整序列。对于前者，作者把整个GAN看作一个强化学习系统，用policy gradient更新生成器的参数；对于后者，作者借鉴了蒙特卡洛树的思想，对任意时刻的非完整序列都可以进行评估；生成器：目标函数-各个状态价值的和，状态价值怎么算？策略函数×动作价值，策略函数是用策略网络训练出来的，动作价值不知道怎么办？用roll

conda虚拟环境中安装cuda和cudnn