研究了一堆Q-learning资料后，写了这份指南

先来个名言，日本著名设计师山本耀司曾说：

“我从来不相信什么懒洋洋的自由，我向往的自由是通过勤奋和努力实现的更广阔的人生，那样的自由才是珍贵的、有价值的；我相信一万小时定律，我从来不相信天上掉馅饼的灵感和坐等的成就。做一个自由又自律的人，靠势必实现的决心认真地活着。”

本文继续好久之前断更的一篇文章 《 你该掌握的AI技能：强化学习01 》 ，结合上期的《 如何构建个人的技术思维 》提出的4个步骤： 了解原理，动手编程，反复实验，实际应用 ，一步步带你入门强化学习中的 Q-learning 。本文使用 Javascript 基于tensorflow.js，在 chrome 浏览器中进行实验。浏览器打开 https://js.tensorflow.org/api/0.9.0 ，在 console 面板中即可实验。

1

了解原理

我们先了解下心理学行为主义学习理论的中 泛化律 。别问我为什么一篇技术文章为何突然跑心理学理论，这是 mixlab 的文章特色： 一篇文章尽量涉及2个以上不同领域的内容，跨界思考之间的关联性 。

1.1 心理学行为主义学习理论

巴甫洛夫在研究狗的进食行为时发现，当铃声和喂食反复配对后，只给狗听铃声，不呈现食物，狗也会分泌唾液。根据这一实验现象，巴甫洛夫提出经典性条件作用，其中的 泛化律 ： 条件反射一旦确立，其他类似最初条件刺激的刺激也可引起条件反射 。例如，谚语“一朝被蛇咬，十年怕草绳”，人见到蛇感到害怕是以往建立的条件反射，而由于草绳类似蛇这个条件刺激，因此当见到与蛇类似的草绳也会引起条件反射。

1.2 行为主义学习理论在教育领域

行为主义学习在教育领域的案例，例如，父母 不断给 孩子关心和 鼓励 ，孩子就会把学习和愉快的体验联系起来，然后，更加喜欢学习。当孩子有强烈的“问问题”意愿时，父母如果没有满足他们，他们的积极性就会不断被磨灭。

1.3 Q-learning 的原型

此部分的理解先要对强化学习的 Environment、 Agent、Actions、Observation、Reward 、Policy 有基础的认识，才可继续。

Q-learning 从行为主义学习理论启发而来，最早由 Watkins 在 1989 提出核心思想原型，当时提出记忆矩阵 W(a,s) 记忆了“ 智能体 ”以往的经验，当新的外部刺激时，“智能体”会产生对应的条件反射，W(a,s) 类似于我们今天所说的 Q-learning 中的 Q-table 。

核心思想：

1 智能体 Agent 在状态 st ，采取行为 at；

2 后移至下一个状态 st+1；

3 估计价值 v(st+1);

4 更新记忆矩阵，见上图；

5 反复1-4过程，更新记忆矩阵。

我们继续第一篇文章所提到的“小孩学走路”的例子，孩子是一个 Agent ，她在状态 st （即，她走的每一步）采取了行为 at （ 步行的姿势 ），移动到下一个 st+1 。当她完成每一个任务的时，孩子会获得奖励 Reward（比如，一些糖果），她以此来估计价值 v(st +1) ，然后她更新她的经验，即记忆矩阵,更新方式见上图。Agent 不断地练习，重复1-4步，直至学会走路的方法 Policy 为止，这里的 Policy 指的是记忆矩阵 W(a,s)。

1.4 Q-learning 的核心公式

把上文提到的记忆矩阵 W(a,s) 用 Q 动作效用函数 action-utility function 替换。Q 用于 评价在特定状态下采取某个动作的优劣 ，可以将之理解为智能体 Agent 的大脑，常称为 Q-table ，一般是个矩阵，用 tensorflow.js 的代码试下：

tf.zeros([3,4]).print();

/*
3代表3种state，4代表4种action，Q-table 如下：

Tensor
[[0, 0, 0, 0],
[0, 0, 0, 0],
[0, 0, 0, 0]]

/

算法就是要训练出最终的 Q-table ，最终的 Q-table 有可能长下面这样：

/
代表了各个state及action 对应的“价值”：
Tensor
[[0, 0.2, 12.3, 0],
[2.1, 0, 4.5, 0],
[0, 12, 1, 0.5]]

*/

我们把上文更新记忆矩阵的公式细化下，主要增加 学习率 learning rate 及 折扣因子 discount factor：

其中， 学习速率越大，保留之前训练的效果就越少；学习率=0，不考虑之前的训练结果；折扣因子越大，更多地考虑远期收益；折扣因子越小，更多地考虑眼前的收益 。

1.5 应用举例

我们结合示例，看下 Q-learning 适合运用的场景，有3种常见的：

1）1维空间：

0代表智能体，它只能向左或向右移动，最右边是宝藏的位置，最左边是陷井，于是states有6个，分别是智能体可能出现的位置，如果智能体在state为0，采取 action 为 Left 将落入陷阱，我们设置收益为-10，如果智能体在state 为4的位置，采取action 为Right ，则获得宝藏，收益为100，这是把1维空间的问题对应为 Q-learning 算法的过程。其他代码详见莫烦的教程。

2）房间：

老外举的例子，state代表智能体在哪个房间，action代表从一个房间达到另一个房间的动作，接下来定义收益，例如在房间1的时候，采取移动到房间5的动作，则收益为100。更多详见网上相关文章。

3）2维迷宫：

这类的例子是用的最多的，state代表智能体在哪个方块内，action 可以是向上、向下、向左、向右、停留，state为3时，掉入陷阱，收益为-10，state为4时，获得奖励，收益为20，下文会以此为例子进行代码示例。

1.6 Deep Q Network

2013年 DeepMind 在 NIPS 上发表 Playing Atari with Deep Reinforcement Learning 一文，提出了 DQN（ Deep Q Network ）算法，实现端到端学习玩 Atari 游戏，即只有像素输入，看着屏幕玩游戏。卷积神经网络 CNN 被用于替代上文中提到的 Q 函数，CNN 输出层的神经元个数等于所有允许的动作数。 卷积神经网络或者全连接神经网络都可以用来压缩状态空间，构造近似的 Q 函数 Q(s, a) 。关于 Deep Q Network ，留待下一篇再详细展开。

2

动手编程

继续以迷宫为例，位置2为陷阱，位置3为奖励所在。

2.1 初始化训练参数

const GAMMA = 0.7,
//折扣因子
EPISODES_MAX = 100,
//最大回合数
ALPHA = 0.1;
//学习率

2.2 定义actions,states,rewards

const actions_array = [0, 1, 2, 3, 4],
actions_labels = [‘UP’, ‘DOWN’, ‘LEFT’, ‘RIGHT’, ‘NONE’],
actions_byState = [
[1, 3, 4],
[1, 2, 4],
[0, 3, 4],
[0, 2, 4]
],
states_array = [0, 1, 2, 3],
rewards_array = [0, 0, -10, 20];

var actions = new Actions(actions_labels, actions_array, actions_byState);

var states = new States(states_array, rewards_array);

2.2 初始化 Q-table 矩阵

var Q = new QTable(states_array.length, actions_array.length);

2.2 选择起始 state

var state = states.randomChooseOne();
//随机选取一个state

2.3 选择当前 state 下的一个可能 action

var action = actions.randomChooseOne(state);

目前选择 action 的策略是 随机 的, Q-learning 并非每次迭代都沿当前 Q 值最高的路径前进。

2.4 换移到下一个state ( s’ )

var state_n = states.nextState(action, state);

2.5 使用 Bellman Equation ，更新 Q-table

var reward = states.getReward(state_n);

var actions_n = actions.actionsByState[state_n];

var futureValue = Q.getFutureValue(state_n, actions_n);

Q.update(state, action, reward, futureValue);

其中，学习率代码里用 ALPHA 表示，折扣因子用 GAMMA 表示。learned value 代码为：

learnedValue=reward+GAMMA*max(qs)

用于更新 Q-table 的值：

var value = (1 - ALPHA) * q_table.get(state, action) + ALPHA * (reward + GAMMA * tf.tensor1d(qs).max().dataSync()[0]);

可以对照下公式：

2.6 将下一个 state 作为当前 state

state = state_n;
action = actions.randomChooseOne(state);

2.7 重复2.3-2.6步骤

var episode = 0;

while (state != 3 || episode < EPISODES_MAX) {
…

Q.update(state, action, reward, futureValue);

…

episode++;

};

3

反复实验

主要是修改 ALPHA 及 GAMMA ，还有修改迷宫的维度，增加各种陷阱及奖励等类型，此部分不一一展开，请根据自身情况进行实验。

4

应用场景

强化学习用于游戏比较多，因为我们可以枚举清楚 state 及 action ，reward 也可以量化清楚。太过复杂的场景或维度较多的数据，我们可以尝试用 Deep Q Network 来解决。回到平面设计问题，我们可以尝试配色方案的生成，布局排版数据的生成。

鉴于篇幅，第3-4部分可以在 知识星球 交流。完整代码，可 留言后 获取。

相关资料推荐 ：

https://github.com/SarvagyaVaish/FlappyBirdRL/blob/master/README.md

https://planktonfun.github.io/q-learning-js

写此文的感想 ：

一开始维护此公众号仅仅是兴趣使然，记录个人的一些经验，到现在把她当产品来考虑，这个得回到 mixlab 同时维护的知乎专栏：《 人工智能+设计修炼指南 》的出发点：

“人工智能+设计”本身是个非常综合性的领域，要求对设计有相关的积累及认识，对人工智能的技术有足够深入的实践，因而需要至少积累2个领域的知识：设计+人工智能。要求掌握的技能包括而不限于：机器学习、深度学习、强化学习、编程、产品设计、用户体验设计等。 修炼指南是一个设计+技术的思维体系，同时是我的学习记录，及对2个领域融合的经验。

mixlab 关于“设计+技术的思维体系”的思考：

一万小时的积累，需要平时的刻意练习，学无止尽，终身学习。

定期的线下交流活动，我们面对面用“设计+编程+人工智能”，共同探索新方向。

一篇文章尽量涉及2个以上不同领域的内容，跨界思考之间的关联性。