课程链接: https://aistudio.baidu.com/aistudio/education/group/info/1335
强化学习
智能体Agent从环境Environment中学习,根据状态State,执行动作Action,并根据环境反馈受益reward,指导更好的动作。强化学习是一种延时性奖励
监督学习——>认知:是什么
强化学习——>策略:怎么做
On-policy vs Off-policy
On-policy:兼顾探索
Off-policy:更大胆
算法库及框架库
基于表格型方法求解RL
SARSA
TD单步更新,时序差分
四元组SARP:
(State,Action,Reward,Probability)
P函数:状态转移概率,反映环境的随机性
R函数:reward
Q表格:状态动作价值->指导每一个Step的动作选择,以未来的总收益为目标导向,更据实际情况进行操作
action为列,state为行
可对未来收益引入衰减因子,控制未来受益对当前价值的影响。
Q-learning
Model-free 试错探索
探索与利用
基于神经网络方法求解RL
RL->Deep RL :数量逐渐增加到不可数
值函数(多项式函数,神经网络)近似的优点:1)仅需存储有限参数 2)状态反华,相似状态可能输出相同。(自动去泛化一些相似的特征,输出相同的值)
Q-learning
通过环境去查找Q表格获取一个R值进行输出,然后通过输出修改Q表格,同时进行探索不断完善Q表格。使得Q表格更加完善。
使用神经网络拟合Q表格
把原来的Q表格使用前面的神经网络进行替代,直接提取输入的环境特征,来得到结果。
DQN-使用神经网络求解RL问题的经典算法
与监督式学习类似输入的每一个值s1得到一个相对应的Q值(这里的q对应的是向量),在这里需要让Q值逼近我们的目标值,同样用两个值的均方差Loss来给优化函数从而更新网络参数
DQN算法两大创新点
一、 经验回放
- 1.切断序列决策的样本关联
- 2.提高样本利用率
二、 固定Q目标
- 1.解决算法非平稳性
一:经验回放的优势
将与环境交换数据存入经验池,在其中取若干个S,A,R,S,A组成一个Batch来训练
二:固定Q
在监督式学习中目标值是稳定的,预测值只要不断的靠近真实值y即可。但是在DQN中Q的目标值是,这个值是不断变化的,是有波动的可变值。
复制一个和原网络一样的Target_Q,每隔一段时间更新同步一次,这样,在这段时间内,Q是固定值。
DQN算法流程图