强化学习(RL)
强化学习(RL)初印象
Part1 什么是强化学习
- 强化学习(英语:
Reinforcement learning
,简称RL
)是机器学习中的一个领域,强调如何基于环境而行动,以取得最大化的预期利益。 - 核心思想:智能体
agent
在环境environment
中学习,根据环境的状态state
(或观测到的observation
),执行动作action
,并根据环境的反馈reward
(奖励)来指导更好的动作。
注意:从环境中获取的状态,有时候叫state
,有时候叫observation
,这两个其实一个代表全局状态,一个代表局部观测值,在多智能体环境里会有差别,但我们刚开始学习遇到的环境还没有那么复杂,可以先把这两个概念划上等号。
Part2 强化学习能做什么
- 游戏(马里奥、Atari、Alpha Go、星际争霸等)
- 机器人控制(机械臂、机器人、自动驾驶、四轴飞行器等)
- 用户交互(推荐、广告、NLP等)
- 交通(拥堵管理等)
- 资源调度(物流、带宽、功率等)
- 金融(投资组合、股票买卖等)
- 其他
Part3 强化学习与监督学习的区别
- 强化学习、监督学习、非监督学习是机器学习里的三个不同的领域,都跟深度学习有交集。
- 监督学习寻找输入到输出之间的映射,比如分类和回归问题。
- 非监督学习主要寻找数据之间的隐藏关系,比如聚类问题。
- 强化学习则需要在与环境的交互中学习和寻找最佳决策方案。
- 监督学习处理认知问题,强化学习处理决策问题。
Part4 强化学习的如何解决问题
- 强化学习通过不断的试错探索,吸取经验和教训,持续不断的优化策略,从环境中拿到更好的反馈。
- 强化学习有两种学习方案:基于价值(
value-based
)、基于策略(policy-based
)
Part5 强化学习的算法和环境
- 经典算法:
Q-learning
、Sarsa
、DQN
、Policy Gradient
、A3C
、DDPG
、PPO
- 环境分类:离散控制场景(输出动作可数)、连续控制场景(输出动作值不可数)
- 强化学习经典环境库
GYM
将环境交互接口规范化为:重置环境reset()
、交互step()
、渲染render()
- 强化学习框架库
PARL
将强化学习框架抽象为Model
、Algorithm
、Agent
三层,使得强化学习算法的实现和调试更方便和灵活。
Lesson2 表格型方法
1. Sarsa 简介
Sarsa
全称是state-action-reward-state'-action'
,目的是学习特定的state
下,特定action
的价值Q
,最终建立和优化一个Q
表格,以state
为行,action
为列,根据与环境交互得到的reward
来更新Q
表格,更新公式为:
Sarsa
在训练中为了更好的探索环境,采用ε-greedy
方式来训练,有一定概率随机选择动作输出。
2. Q-learning简介
Q-learning
也是采用Q
表格的方式存储Q
值(状态动作价值),决策部分与Sarsa
是一样的,采用ε-greedy
方式增加探索。Q-learning
跟Sarsa
不一样的地方是更新Q
表格的方式。Sarsa
是on-policy
的更新方式,先做出动作再更新。Q-learning
是off-policy
的更新方式,更新learn()
时无需获取下一步实际做出的动作next_action
,并假设下一步动作是取最大Q
值的动作。
Q-learning
的更新公式为:
Lesson 3 神经网络方法求解RL——DQN
1. DQN简介
- 上节课介绍的表格型方法存储的状态数量有限,当面对围棋或机器人控制这类有数不清的状态的环境时,表格型方法在存储和查找效率上都受局限,
DQN
的提出解决了这一局限,使用神经网络来近似替代Q
表格。 - 本质上
DQN
还是一个Q-learning
算法,更新方式一致。为了更好的探索环境,同样的也采用ε-greedy
方法训练。 - 在
Q-learning
的基础上,DQN
提出了两个技巧使得Q
网络的更新迭代更稳定。- 经验回放
Experience Replay
:主要解决样本关联性和利用效率的问题。使用一个经验池存储多条经验s,a,r,s'
,再从中随机抽取一批数据送去训练。 - 固定Q目标
Fixed-Q-Target
:主要解决算法训练不稳定的问题。复制一个和原来Q
网络结构一样的Target Q
网络,用于计算Q
目标值。
- 经验回放
Lesson 4 策略梯度方法求解RL——Policy Gradient
1. Policy Gradient简介
-
在强化学习中,有两大类方法,一种基于值(
Value-based
),一种基于策略(Policy-based
)Value-based
的算法的典型代表为Q-learning
和SARSA
,将Q
函数优化到最优,再根据Q
函数取最优策略。Policy-based
的算法的典型代表为Policy Gradient
,直接优化策略函数。
-
采用神经网络拟合策略函数,需计算策略梯度用于优化策略网络。
- 优化的目标是在策略
π(s,a)
的期望回报:所有的轨迹获得的回报R
与对应的轨迹发生概率p
的加权和,当N足够大时,可通过采样N个Episode求平均的方式近似表达。
- 优化目标对参数
θ
求导后得到策略梯度:
- 优化的目标是在策略
Lesson 5 连续动作空间上求解RL——DDPG
1. DDPG简介
DDPG
的提出动机其实是为了让DQN
可以扩展到连续的动作空间。DDPG
借鉴了DQN
的两个技巧:经验回放 和 固定Q
网络。DDPG
使用策略网络直接输出确定性动作。DDPG
使用了Actor-Critic
的架构。