PaddlePaddle飞桨入门之旅(三)

——记2020.6.16百度“强化学习7日打卡营”在线课程

用着百度提供免费的GPU资源，打定主意要跟上百度每个PaddlePaddle相关的公开课程。

6月16号开始的是强化学习相关的课程，用五天时间讲解强化学习的基本问题，围绕百度团队开发的PARL框架对强化学习进行入门讲解。

五天视频课程内容：

一、强化学习初印象

强化学习：智能体agent与环境env交互，根据反馈奖励reward指导动作action；通过不断学习训练，完善某一任务的动作策略。

分类：

	强化学习	监督学习
	侧重决策	认知
	序列数据	独立同分布数据
	延迟奖励	即时奖励

后续4次讲解课程，由浅入深地分别从连续/离散动作、连续/离散环境角度讲解强化学习问题定义与实现。

二、基于表格型方法求解RL

离散动作（可数动作状态，例如控制二维平面的机器人，输出控制是前后左右四个运动方向）

离散环境（环境状态可数，如Grid形式地图，机器人位置和当前反馈都是可数状态）

Q表格：

当前状态s下，执行动作a的收益为r，如果每次决策只看本次动作reward，智能体的动作策略就成为极为短视的greedy算法，无法解决复杂的对抗问题；

需要考虑状态s下执行动作a的综合预期收益，即从较长远角度考虑动作a的收益，引入Q度量状态s下动作a的综合预期收益，即从本次动作a后，一直到后续任务结束，获得的总reward期望，记为Q。

理论上对Q的计算应该是在状态s下执行动作a后，对后续所有可能执行的action（直到任务结束）及收益进行概率加权求和（状态转移概率），即以类似全概率公式形式计算所有后续任务分支的期望收益，作为状态s下执行动作a的Q。

维护一张Q表格，即不同状态s下所有action对应的Q值（由于状态s和动作a都是离散可数的，所以可以维护这样一张Q表格）。

通过TD时序差分方式更新Q表格

对于model-free问题，没有现成的奖励函数Reward function，需要不断与环境交互才能获得动作奖励，无法从理论上根据全概率公式更新Q值。

通过不断与环境交互，获得大量交互数据，对每条动作轨迹Trajectory（从初始状态，执行不同动作，直到任务结束），从终止步反推计算每个状态s对应动作a的Q。

对于终止步t，此状态s下动作a的Q值是当前动作的反馈Rt（因为没有后续动作了，任务到此结束）；对于前一步t-1的Q值Qt-1，计算为当前步骤奖励Rt-1加上后续t步奖励：Qt-1=Rt-1+gamma*Gt。

gamma是衰减因子，表示中长期收益相对于近期收益的衰减，根据不同任务设置不同衰减因子，例如股票交易公司的投资中不能过分关注长期收益，而一些复杂的对抗游戏例如围棋就需要关注长期收益。

根据交互获得的每条轨迹T都对Q表格中Q值进行更新，但由于从任务开始到终止存在很多条轨迹，将每条轨迹计算出来的Q作为目标值targetQ，对Q的更新根据差值逐步微调，通过学习率学习当前Q与目标Q值的差值更新Q：

targetQ = Rt+1 + gamma * Q(St+1, At+1)

Q(St, At) <--- Q(St, At) + alpha * [Rt+1 + gamma * Q(St+1, At+1) - Q(St, At)]

通过不断与环境交互获得交互轨迹更新Q表格，各个Q值会逐渐逼近对应的理论Q值（ground truth）。

在探索过程中逐步更新Q表格，探索过程中根据Q表格选取动作（以一定概率选择最大收益动作或随机生成动作，ε-greedy更新），每次更新Q表格时需要输入St, At, Rt+1, St+1, At+1，因此这种Q表格学习方法称为：Sarsa.

注意：这里的Rt+1是状态St下执行动作At获得的收益，Sarsa更新时只需要获得后续状态St+1和动作动作At+1即可，无需实际执行At+1并获取奖励。

与之对应的Q-learning算法，探索过程中默认每次从Q表格中选择对应状态下收益最大的动作s（完全依据Q表格选择动作，不用额外的动作选择策略），因此学习Q之前无需获取下一步动作。

Sarsa是一种On policy策略，优化实际执行的动作策略；Q-learning是一种Off-policy方式，优化探索行为策略。

三、基于神经网络求解RL

DQN：Deep Q-learning，用神经网络代替Q表格

针对连续环境或者不可数状态的情况，Q表格变得无限大，实际中无法穷举所有环境状态；

此时可以DQN用神经网络逼近这张无限大的Q表格，优点在于：

Q表格占用内存极大，存储有限个参数；查表效率低；

神经网络可以实现状态泛化，相似状态输出一致。

用神经网络代替Q表格，神经网络的输入是当前状态，神经网络输出对应此状态不同动作action的预期Q值；

输出数据的标签即为Q-learning算法中的目标Q值，即第二节中的targetQ。

DQN两个创新点：

(1) 经验回放 Experience replay

设计样本经验池（Trajectory的队列），存放历史交互轨迹，去除序列决策的样本关联性，提高样本利用率；

充分利用off-policy优势。

(2) 固定Q目标 Fixed Qtarget

监督学习中网络输出的label是固定的/稳定的，学习中用输出和目标差值进行梯度下降学习；

DQN中，网络输出的label的Qtarget，也根据神经网络获得；label如果实时变化，不利于学习过程的收敛；

通过固定Q目标，即拷贝一份神经网络（target model），在一段时间内固定网络参数用于生成Qtarget，对原网络参数进行学习更新；学习若干步后，再将新的网络参数更新到target model。

DQN流程图：

PARL中DQN的实现：

四、基于策略梯度求解RL

基于策略Policy-based的RL方法：策略梯度Policy Gradient

DQN用神经网络代替Q表格，网络输出此时不同action对应的Q预测值，测试过程中根据Q预测值选择的action一般是确定性的策略，比如选择最大Q预测值对应的action。

实际上有些任务，由于环境存在随机性等原因，输出动作更倾向于随机策略，例如和陌生对手猜拳，输出石头、剪子、布的概率都为1/3时是比较合理的；

策略梯度Policy Gradient方法用Policy网络代替Q网络，Policy网络输入某种状态，输出是此状态下应执行不同action的概率，例如{石头：0.33，剪子：0.33， 布：0.33}。

利用softmax函数实现随机动作策略，softmax函数将多个神经元输出映射到（0,1）取件，通过归一化即可实现随机动作策略的输出方式。测试时，根据不同action的概率进行sample()，依概率输出一个action。

Episode：一幕游戏，或者一次完整交互，从任务开始到任务终止的状态转移过程成为对应的轨迹Trajectory。

根据条件概率公式可以计算此Trajectory对应的总回报，某个状态s下执行动作a的期望回报即可通过全概率公式计算得到。

实际中无法通过穷举所有trajectory来计算理论的期望回报，只能通过多次采样，用采样数据逼近理论值。

优化策略网络：

用策略网络逼近最优策略函数。

Policy网络的目标：期望回报越大越好，即优化目标为期望回报，通过梯度上升优化策略网络。通过期望回报对网络参数求导，利用梯度上升方法优化目标。

策略网络优化的Loss函数：

网络输出action概率向量与实际动作action的交叉熵，因为实际action不一定是最优action，因此用Gt即动作收益做加权，Gt越大则说明此Loss越应该重视；Loss加负号，就可以用深度学习框架中的优化器minimizer通过梯度下降实现梯度上升的效果。

五、连续动作空间求解RL-DDPG

DDPG-Deep Deterministic Policy Gradient

目的：将DQN扩展到连续动作空间。（动作取值是连续的、不可数的）

借鉴DQN的经验回放和固定Q网络。

采用策略网络直接输出确定性动作。

Actor-Critic结构。

DQN输出不同动作（有限多个）的取值概率，而对于一些连续动作问题（例如输出模拟控制电压值，是一个连续的数值），动作本身是一个连续的值。

DDPG同样使用策略网络，但输出的不是action的取值概率，而是action的值，（用tanh函数替换softmax，action有几维就输出几维的数值向量）。

Actor-Critic结构：

策略网络输出action值，Q网络类似DQN输出对应的期望Q值。

Q网络类似DQN，通过与Qtarget的差值更新网络；

策略网络优化目标是提高Q网络的预期Q值。

固定目标网络 + 经验回放：