在DQN中，当经验缓冲区中的每个记录只对应一个动作时，如何执行梯度下降？

在DQN中，当经验缓冲区中的每个记录只对应一个动作时，执行梯度下降的方法如下：

1. 首先，从经验缓冲区中随机选择一批样本，包括状态、动作、奖励、下一个状态等信息。
2. 使用神经网络模型来估计当前状态下每个动作的Q值。这个神经网络通常被称为Q网络。
3. 对于每个样本，计算目标Q值。目标Q值的计算公式为：Q_target = reward + γ * max(Q(next_state, next_action))，其中reward是当前动作的奖励，next_state是下一个状态，next_action是在下一个状态下选择的最优动作，γ是折扣因子，用于平衡当前奖励和未来奖励的重要性。
4. 将目标Q值与当前Q值进行比较，计算损失函数。常用的损失函数是均方误差（MSE）。
5. 使用梯度下降算法（如随机梯度下降）来更新神经网络的参数，使得预测的Q值逐渐接近目标Q值。
6. 重复执行上述步骤，不断更新神经网络的参数，直到达到收敛的条件。

需要注意的是，DQN中的经验缓冲区通常包含多个记录，每个记录对应一个状态、动作、奖励、下一个状态等信息。这样可以通过批量更新的方式来提高训练效率和稳定性。当经验缓冲区中的每个记录只对应一个动作时，可以将其视为批量大小为1的情况，按照上述步骤执行梯度下降即可。

推荐的腾讯云相关产品：腾讯云弹性AI推理（Elastic Inference），该产品提供了高性能、低延迟的推理服务，可用于加速深度学习模型的推理过程。详情请参考：https://cloud.tencent.com/product/ei

请注意，以上答案仅供参考，具体实现方法可能因应用场景和具体需求而有所差异。