【深度强化学习】1. 基础部分

【DataWhale打卡】第一天：学习周博磊讲的强化学习结合《深入理解AutoML和AutoDL》这本书中的强化学习的章节总结了基础部分。

参考资料：https://github.com/zhoubolei/introRL

先导课程：线性代数、概率论、机器学习/数据挖掘/深度学习/模式识别

编程基础：Python, PyTorch

强化学习在做什么？

强化学习和监督学习有很大的区别：

1. 监督学习需要提供数据和对应的标签，训练数据和测试数据是独立同分布的，从而进行模式和特征的学习。

2. 强化学习不同，强化学习没有直接的标签进行指导，并且数据不是独立同分布的，前后数据有比较强的关系。强化学习可以在环境中进行探索和试错，根据实验的结果提取经验，从而学习到最佳策略。

	监督学习	无监督学习	强化学习
输出值	标签	无	奖励值
标签/奖励	人类提供标注	无标签	延迟奖励
经验	无	无	有
损失值	有	无	无
输入	独立同分布	独立同分布	前后依赖

强化学习的目标是训练一个agent，能够在不同的情况做出最佳的action，从而让系统给出的reward值最大化。

流程如下：agent会观察环境得到observation（state），然会采取一个action，环境受到这个action的作用，会反馈给agent一个reward，同时环境状态state也发生了改变。循环往复，agent目标是为了从环境中获得最高reward奖励。

存在两大主体，智能体Agent和环境Environment，整个过程是序列化的：

\[S_t-A_t-R_t-S_{t+1}-A_{t+1}-R_{t+1}-S_{t+2}\dots \]

智能体目标就是最大化奖励函数 $$ G_t $$:

\[G_t=R_{t+1}+\gamma R_{t+2}+\gamma^2 R_{t+3}+\dots=\sum_{k=0}^\infin \gamma^k R_{t+k+1} \]

也就是说当前时序为t的时候，最大化奖励函数就是从当前一直到最后一个状态（完成一个episode）所获取的所有Reward。\(\gamma\) 是一个0-1之间的数，叫做奖励衰减因子。如果等于0，代表这个Agent只考虑当前即时结果，不考虑目标长远。如果等于1，代表这个Agent考虑的是长远利益，放眼整体。

强化学习的特点：

• 输入的数据是序列化、前后有依赖的，并不是独立同分布的。
• 没有监督信息，每一步没有被告诉应该做什么。
• Trial-and-error exploration，exploration和exploitation之间的平衡：
  • exploration: 代表探索环境，尝试一些新的行为，这些行为有可能会带来巨大的收益，也可能减少收益。
  • exploitation: 就采取当前已知的可以获得最大收益的action。
• Reward Delay效应，当采取一个action以后，并不会立刻得到反馈，需要等待一段时间或者等结束之后才会有反馈。

基本要素

1. 环境的状态：用符号S表示，\(S_t\)代表t时刻下处于的某一个状态。
2. 个体的动作：用符号A表示，\(A_t\)代表t时刻个体采取的动作。
3. 环境的奖励：用符号R表示，\(R_{t+1}\)表示t时刻个体在\(S_t\)状态下，采取动作\(A_t\)得到的奖励。
4. 智能体agent策略：用符号\(\pi\)表示，agent会根据\(\pi\)表示的策略来选择动作。
5. 价值函数：用符号\(V^{\pi}(s)\)表示，agent在面临状态S的情况下，如果采用策略\(\pi\)后进行动作的价值，是一个期望函数。$$V^{\pi}(s)=E_{\pi}(R_{t+1}+\gamma R_{t+2}+\gamma^2 R_{t+3}+...|S_t=s)$$
6. 奖励衰减因子：用符号\(\gamma\)来表示，是一个0-1之间的数，用于约束距离时间较远的reward所占的比重。

基本方法

强化学习主要分为动态规划、蒙特卡罗法、时序差分法。强化学习中，从一个状态s转化到另外一个状态s'不仅和当前状态s和动作a有关，还与之前的状态有关。但是考虑这么多状态会导致模型非常复杂，所以引入马尔可夫性来简化问题，也就是一个假设\(H\), 即转化到下一个状态s‘的概率仅仅与当前的状态s有关，而和之前的状态没有关系。

解决马尔科夫决策过程有两个分类，见上图，需要解释的是Model-based方法和Model-Free方法。

Model-based方法代表这个问题中，必须能够获得环境的状态转化方程。

Model-Free方法代表不需要对环境进行完全的建模，只需要经验，也就是实际或者仿真的与环境进行交互的整个样本序列。

强化学习应用案例

• alpha-go、alpha-zero围棋战胜李世石。
• 王者荣耀 绝悟AI 就是强化学习技术应用在MOBA游戏的一个典型例子。
• 可以将股票的买卖看作强化学习问题，如何操作能让收益极大化。
• Atari等电脑游戏。
• 机器人，比如如何让机械臂自己学会给一个杯子中倒水、抓取物体。
• DeepMind让Agent学习走路。
• 训练机械臂通过手指转魔方。
• 训练Agent穿衣服。

知识点补充

Rollout：从游戏当前帧，生成很多局游戏，让当前的Model和环境交互，得到很多的观测（轨迹）,得到最终的最终reward，从而可以训练agent。