给我一个强化学习算法的gym例子动画演示代码

强化学习通常用于训练智能体在复杂的环境中通过尝试和错误的方式学习最优策略。Gym是Python的一个库，由OpenAI提供，它包含了多种环境供开发者测试和实验强化学习算法。这里是一个简单的Pong游戏（ Atari 2600 游戏）的强化学习示例，使用了`gym`库和经典的Deep Q-Network (DQN)算法：

import gym
from stable_baselines3 import DQN

# 创建Pong环境
env = gym.make('AtariPong-v0')

# 加载预训练模型（如果有的话）
model = DQN.load("dqn_pong")

# 定义智能体在环境中的互动
def play_episode(model):
    done = False
    observation = env.reset()
    while not done:
        # 获取智能体动作
        action, _states = model.predict(observation)
        # 执行动作并获取新状态和奖励
        observation, reward, done, info = env.step(action)
        # 显示帧
        env.render()
        if done:
            print(f"Episode finished with reward {reward}")
    env.close()

# 播放一局
play_episode(model)

这个代码首先创建了一个Pong环境，然后加载一个预训练的DQN模型（如果你没有训练过，可以省略这一步）。`play_episode`函数展示了智能体如何在每个时间步采取行动、观察反馈，并更新其策略。

注意：实际应用中，你需要对模型进行训练，通常需要大量的样本数据和计算资源，以上代码只是一个简化的演示。