【深度学习】对强化学习的理解（在CartPole-v1游戏下的强化学习）

在上篇文章中【PaddlePaddle】 强化学习(CartPole-v1)，我们介绍了如何使用PaddlePaddle在CartPole-v1游戏上实现强化学习，但是对实现思想讲解的不是很多，也不是很清晰。于是，这篇文章主要记录实现上述强化学习的细节以及具体实现思路。

Q-Learning

在传统的图搜索中，我们一般用一个Q-table矩阵来记录每一步学到的经验（我们一般称“经验”为“最大收益”，也就是走这一步的可以获得的最大收益是多少），每走一步就更新一次Q-table，也就是将这一步学到的知识加入Q-table中。在Q-table迭代到一定程度时，Q-table趋于稳定状态，随后，我们使用Q-table来进行决策，因为我们可以通过Q-table了解到每一步怎么走可以获得最大收益。
更新的方法是Bellman Equation，这个算法在上篇文章中已经有所提及，这里就不多讲了，Q-Learning的具体理解可以参考这篇文章：理解Q-learning，一篇文章就够了，这篇文章中有例子，能更好理解一些。

DQN

DQN全称是Deep Q-Learning Network，这个思想是将Q-Learning和深度学习相结合，提倡不使用Q-table记录最大收益Q值，而是使用神经网络预测执行某个action（action=动作）对应的收益值Q。完整的算法步骤如下：

实现思路

第一步：创造记忆库

我们先让系统随机玩几次游戏，通过定义的epsilon-greedy搜索策略，根据训练的进度，选择自动执行动作或者是使用模型预测的动作作为动作输入。通过搜索策略，让训练前期多一些随机动作，训练后期多一些神经网络预测的动作。
然后把在当前状态下执行这个动作的信息（比如：当前状态、动作、执行后的下一个状态、动作的奖励、游戏是否结束等信息）记录到记忆库中，以供后续训练使用。训练的数据是从记忆库中随机提取的。我们在python中使用deque，当数据存满的时候下一数据就会覆盖掉记忆库中的第一个数据。
在填充记忆库的过程中，如果当前状态下执行当前动作导致游戏结束，那我们就将done_data(用来标记游戏是否结束)置为1，reward置为-10，这样的奖励相当于一种惩罚措施。如果当前状态下执行当前动作没有导致游戏结束，那么done_data置为0，reward根据游戏规则自动计算（肯定是一个大于0的奖励）。
当记忆库填充的差不多了，就可以开始训练了，在训练的过程中，记忆库还在被一直填充，只不过在循环中多一个反向传播优化参数的过程。

第二步：搭建神经网络的思路

我们将网络分为两个，一个是反向传播更新参数，我们称之为state_model，一个只进行前向传播我们称之为target_model。但是根据状态值预测Q值的神经网络，他们二者使用的是同一个。

根据状态预测Q值的神经网络DQNetWork

我们定义了一个简单的神经网络，输入的是状态，输出的是在这个状态下，所有动作对应的Q值。对于CartPole-v1游戏来说，有两个动作（向左或者向右移动），所以最终生成的Q值的维度是2，对应于当前状态下分别执行两个动作得到的收益Q1和Q2。代码片段如下：

def DQNetWork(ipt, variable_field):
    fc1 = fluid.layers.fc(input=ipt, size=24, act='relu', param_attr=ParamAttr(name='{}_fc1'.format(variable_field)),
                          bias_attr=ParamAttr(name='{}_fc1_b'.format(variable_field)))
    fc2 = fluid.layers.fc(input=fc1, size=24, act='relu', param_attr=ParamAttr(name='{}_fc2'.format(variable_field)),
                          bias_attr=ParamAttr(name='{}_fc2_b'.format(variable_field)))
    # size=2，即输出维度为2，对应两个动作的Q值（收益值）
    fc3 = fluid.layers.fc(input=fc2, size=2, param_attr=ParamAttr(name='{}_fc3'.format(variable_field)),
                          bias_attr=ParamAttr(name='{}_fc3_b'.format(variable_field)))
    return fc3

这样我们就可以得到在一个状态下，分别执行两个action，对应的收益值Q1和Q2。

target_model的作用

target_model只进行前向传播。
再讲state_model之前，我们先来看看target_model，因为state_model的标签是由target_model生成的，具体的方式如下：
1、向DQNetWork中输入执行动作后的下一个状态，获取两个收益值Q1和Q2，这个收益值是next_state的收益。
2、通过Bellman Equation公式计算出当前状态可达的最大收益。具体公式如下：

q_target = reward_data + gamma * best_v * (1 - done_data)

其中reward_data，是执行当前动作的奖励，best_v是下一状态分别执行两个操作获得的收益值Q1和Q2中较大的那个收益值，gamma是best_v(下一状态对应的最大收益值)所占的比重，done_data是这个动作下游戏是否结束。通过Bellman Equation公式的定义我们可知，q_target是执行当前动作获得的reward加上后续状态的收益gamma×best_v，其实就是 当前状态执行当前行动的最大收益(q_target)=显式奖励(reward)+ 潜在最大收益(gamma×best_v)，当前动作的执行不但参考当前动作能获得的奖励，也参考了下一状态的潜在最大收益，使得模型有了前瞻性。q_target即为在当前状态下，执行当前动作可以获得的理论上的最大收益。

如果输入数据的done_data为1，那么q_target就为-10，因为对于done_data=1的数据，我们设置了惩罚reward=-10，可以看到在这个情况下，q_target是一个很小的值，也就是理论上的收益很小，属于惩罚收益。

如果输入数据的done_data为0，那么q_target就会结合显式奖励reward和潜在收益gamma*best_v，计算出在当前状态下，理论上能获得的最大收益。

state_model的作用

state_model用来反向传播优化参数。state_model计算出当前状态下，输入当前动作能得出的预测收益值。我们向DQNetWork输入的是当前状态，预测在当前状态下，分别执行两个操作的收益值Q1和Q2。然后将[Q1,Q2]和输入action的one_hot矩阵进行逐元素相乘，获得在特定输入action下的收益值q_eval。

state_model预测出的结果q_eval要向target_model预测出的q_target靠近。也就是说state_model计算出的q_eval是向理论上的最大收益或者惩罚收益靠近。

DQNetWork如何指导某个状态下应该执行的action

我们向DQNetWork输入一个状态，分别执行两个操作，得到两个收益值，我们取两个收益值中较大的那个收益对应的action作为当前状态应该执行的动作。因为在这个动作下，获得的收益最高。

第三步：训练神经网络

前面有提到过，q_eval要向target_model预测出的q_target靠近，所以我们用一个简单的均方误差计算q_eval和q_target之间的差距，并将其作为损失函数进行反向传播，从而优化参数。
在这期间，target_model的DQNetWork网络参数定期根据state_model的DQNetWork参数进行复制，修剪。因为target_model是不进行反向传播来优化参数的。