【Datawhale 11月组队学习】深度强化学习基础

深度强化学习笔记

第一章：简介&辨析

Definition

​ 强化学习（reinforcement learning，RL）讨论的问题是智能体（agent）怎么在复杂、不确定的环境（environment）中最大化它能获得的奖励。

​ 根据我粗浅的理解，强化学习是一种 AI 学习范式，它并不是用于培养预测集的 AI 的学习范式，而是培养智能体的学习范式，根据我之前学习机器学习的经验来看，在实现上两者大不相同。

​ 简单来说，强化学习训练的过程是一个智能体与环境进行交互的过程，大体流程如下：

​ 值得一提的是奖励机制。智能体的目的是最大化标量“奖励”，所以我们会唤醒估值函数、DP思想等死去的记忆。

Comparison

​ 这里是强化学习与监督学习的比较。虽然我并未学习过监督学习的训练，但是大致明白它的思想。我想，教程《第一章：习题》的部分已经非常简练明确地指出了他们的区别。大致如下：

• 标准强化学习： 不需要标签样本，在设计特征之后，在与环境交互中根据奖励多少训练预测函数和决策函数，试错时间长。解决序列数据的问题。
• 监督学习：需要标签样本，解决一些具有明确类别的问题，反向传播修正网络权重。数据需要满足独立同分布。
• 无监督学习：不太了解，但是根据介绍好像类似于强行抽提特征建模，适用于聚类问题，无需标签样本。
• 深度强化学习： 深度强化学习=深度学习+强化学习。将特征工程的过程省去，通过神经网络拟合价值函数或策略网络隐式地寻找特征，直接输入状态就可以输出动作。

Features

​ 这里是强化学习中的几个特点，可以帮助我们决定应用条件和训练方法。

一. 序列决策

​ 1.奖励设置：对于不同情况，作为最终指标的奖励根据环境不同有所变化。如：象棋中，输赢作为唯一评判；股票中，盈亏的过程会不断给出奖惩。

​ 相信大家都发现一个问题，那就是延时奖励的现象，如象棋一盘棋有成百上千步，但是反馈奖励只在最后给出一个，最终的失败甚至可能是因为前几步就胡乱送兵。这种模式产生了两个后果：

• 成功的模型训练难度大，试错多，算力要求大，有盲目性。
• 每一步选取的动作必须有长期的影响，简单的说，不能使用贪心的策略，因为一直取局部最优解非常可能陷入死胡同，而应该使用动态规划（DP）。

​ 2.序列决策：对于每一次观测 \(o_i\)，所有的下一步决策（动作 \(a_i\)）都依据过去的决策史 \(H_t\)，并且获得一个反馈（奖励 \(r_i\)）。故决策史是观测、动作、奖励的序列：

\[H_t=(\{o_1,a_1,r_1\},\{o_2,a_2,r_2\},\cdots,\{o_t,a_t,r_t\}) \]

所以整个游戏的状态看成关于决策史的函数：\(\large S_t=f(H_t)\)。

上图是一个决策史的例子。需要注意的是：图中用了状态（state）代替观测（observation），这只在假设环境是完全可观测的（fully observed）的时候成立，这时候建模为马尔可夫决策过程 （Markov decision process，MDP）即可。否则，则通常建模为部分可观测马尔可夫决策过程（partially observable Markov decision process, POMDP）。

二.动作空间

简单来说就是可选用的决策个数，和它们组成的集。可分为离散的（discrete）和连续的（continuous）。

三.智能体

对于一个强化学习智能体，它可能有一个或多个如下的组成成分。

• 策略（policy）。智能体会用策略来选取下一步的动作。
• 价值函数（value function）。用价值函数来对当前状态进行评估。价值函数用于评估智能体进入某个状态后，可以对后面的奖励带来多大的影响。价值函数值越大，说明智能体进入这个状态越有利。
• 模型（model）。模型表示智能体对环境的状态进行理解，它决定了环境中世界的运行方式。

​ 1.策略。策略通常分为随机性策略（stochastic policy）和确定性策略（deterministic policy）。前者返回一个决策可能性的概率分布，通过取样获得决策；后者的输出对于相同状态来说是固定的。

Questions

Appendix I

• 强化学习（reinforcement learning，RL）：智能体可以在与复杂且不确定的环境进行交互时，尝试使所获得的奖励最大化的算法。
• 动作（action）： 环境接收到的智能体基于当前状态的输出。
• 状态（state）：智能体从环境中获取的状态。状态是对世界的完整描述，不会隐藏世界的信息。
• 观测（observation）： 观测是对状态的部分描述，可能会遗漏一些信息。
• 奖励（reward）：智能体从环境中获取的反馈信号，这个信号指定了智能体在某一步采取了某个策略以后是否得到奖励，以及奖励的大小。
• 探索（exploration）：在当前的情况下，继续尝试新的动作。其有可能得到更高的奖励，也有可能一无所有。
• 利用（exploitation）：在当前的情况下，继续尝试已知的可以获得最大奖励的过程，即选择重复执行当前动作。
• 深度强化学习（deep reinforcement learning）：不需要手动设计特征，仅需要输入状态就可以让系统直接输出动作的一个端到端（end-to-end）的强化学习方法。通常使用神经网络来拟合价值函数（value function）或者策略网络（policy network）。
• 全部可观测（full observability）、完全可观测（fully observed）和部分可观测（partially observed）：当智能体的状态与环境的状态等价时，我们就称这个环境是全部可观测的；当智能体能够观察到环境的所有状态时，我们称这个环境是完全可观测的；一般智能体不能观察到环境的所有状态时，我们称这个环境是部分可观测的。
• 部分可观测马尔可夫决策过程（partially observable Markov decision process，POMDP）：即马尔可夫决策过程的泛化。部分可观测马尔可夫决策过程依然具有马尔可夫性质，但是其假设智能体无法感知环境的状态，只能知道部分观测值。
• 动作空间（action space）、离散动作空间（discrete action space）和连续动作空间（continuous action space）：在给定的环境中，有效动作的集合被称为动作空间，智能体的动作数量有限的动作空间称为离散动作空间，反之，则被称为连续动作空间。
• 基于策略的（policy-based）：智能体会制定一套动作策略，即确定在给定状态下需要采取何种动作，并根据这个策略进行操作。强化学习算法直接对策略进行优化，使制定的策略能够获得最大的奖励。
• 基于价值的（valued-based）：智能体不需要制定显式的策略，它维护一个价值表格或者价值函数，并通过这个价值表格或价值函数来执行使得价值最大化的动作。
• 有模型（model-based）结构：智能体通过学习状态的转移来进行决策。
• 免模型（model-free）结构：智能体没有直接估计状态的转移，也没有得到环境的具体转移变量，它通过学习价值函数或者策略网络进行决策。