强化学习：训练加速技巧

相比于监督学习和非监督学习，（深度）强化学习模型的训练过程显得更加的缓慢。因此，可能训练过程中需要一些技巧，希望可以提高的 训练效率。

根据以往模型训练和近期项目中的一些经验，汇总出一些有助于训练加速和模型收敛的策略或技巧，以供参考。

什么会导致训练慢

大概有一下几方面。

庞大的探索空间

• 一般来说，强化学习模型往往有着庞大的需要探索的空间 { ( S , A ) } \{(S,A)\} {(S,A)}。
• 即便对于相对简单的表格型问题，需要探索的空间大小≈状态空间大小×动作空间大小（可能积分更准确，考虑到不同的状态空间，可能对应着的动作空间大小也不相同)，需要探索的空间也很大。
• 以三子棋(Tic-Toc-Toe) 为例,状态空间大小为$|S|=3^9$的量级，动作空间为$|A|=3^2$的量级，导致探索空间大小约为$|S|\times |A|=3^{11}$的量级。（粗略举例，仅仅考虑量级，实际上的探索空间是这个的子空间。需要排除黑、白棋子个数差异大于1的状态空间，以及因被占用不能放棋子的动作空间）

模型的训练

• 和监督/无监督学习相同，模型的训练需要大量的迭代。
• 尤其当神经网络层数增加，模型变得更加复杂，待优化参数增多时，为了将模型训练至收敛状态,需要耗费更多的时间和算力。
• 同时，需要承担训练不收敛、陷入局部最优解的风险。
• 一旦上述风险因素发生，训练效率将进一步降低；

经验的积累

• 通过经验回放，可以有效降低样本之间的相关性，提高训练的稳定性。
• 然而在智能体训练的初期，经验库中的经验总数量相对较少，此阶段训练时loss很容易保持到一个很低的水平，但并不代表较好的训练效果。大概率是由于数据太少产生了过拟合。因此，需要经验积累到一定量级时，训练效果才开始真正的提升；

智能体-环境交互

• 对于基于“智能体-环境”架构的强化学习算法，智能体的训练是通过大量的交互、试错过程实现的；当这些交互过程耗时明显时，如存在数据库查询、相对复杂的数据预处理时，也将成为一个减缓训练进度的瓶颈。

相应的加速对策

加速搜索

这个部分可能是想重点描述的部分。

利用状态空间的对称性

以五子棋为为例，棋盘具有很好的对称性。因此，

• 当棋盘经旋转（或镜像） 后，应具有相同的状态价值函数$v(s)$；
• 当落子位置也相应地旋转（或镜像）后，也应具有相同的动作价值函数$q(s,a)$；
• 因此，一次探索可对8个状态/动作函数进行同步更新（旋转4×镜像2），理论上可以8倍加速。
• 不过实际上看，存在加速，但加速效果似乎达不到理论上的倍率。可能和更新目标并不准确相关。(强化学习_训练过程的感知理解)

规则启发

模型的训练过程，可以认为通过**广义策略迭代(GPI)**实现，交替进行策略评估<->策略改进，逐步得到稳定的价值函数估计模型。

广义策略迭代

只有经过在在模型空间探索，或者说尝试某种策略，才能实现对该策略的评价，才能知道该策略表现如何，是否需要改进，以及改进的方向。

通常情况是，对于待评估空间，既要探索，但是又想尽快看到初步效果，进行下一步调参。因此希望能够优先探索大概率发生的区域。

$ϵ$-贪婪策略

常见的动作选择策略是$ϵ$-贪婪策略，优点是可以平衡探索-开发之间的矛盾，探索空间中的每一点都存在被试错的可能，可以有效避免贪婪策略可能导致的局限性。

但有一个问题是，$ϵ$-贪婪探索可能过于随机。尤其是训练初期，模型远远没有达到最优，训练时完全处于随机摸索状态，效率极低。

我们希望能够有重点进行探索，优先探索感兴趣区域，

规则引导和启发

一种加速策略，找到一种启发函数，找到可能有着较高探索价值的探索方向，以一定概率进行引导。

实验表明，可以提高训练速度，尤其是训练初期。

加速模型训练

1. 模型优化，可类比监督学习
   • 轻量级网络（层），如深度可分离卷积
   • 减少模型参数，如缩小卷积核大小
2. 好的显卡或GPU服务器。。。

加速经验积累

1. 多智能体并行训练

加速交互

1. 做好数据的缓存
2. 好的编码方式，提高编码效率