强化学习
元素：actor(我们可以控制，决策我们的行为)，Env，Reward（我们不能控制环境）
主要方法：model-baed（对Env建模，actor可以理解环境）, model-free(policy-based，value-based)；on-policy（学习与互动的actor为一同一个），off-policy（学习与互动actor不同）；MC(eposidic)，TD
本文主要介绍了Policy Gradient，Q-learning，Actor-Critic，Sparse Reward，Imitation Learning及其变体（PPO，PPO2，TRPO，A2C，A3C，DPGP）和一些tips(Double DQN, Dueling DQN，Distributional Q-function，ICM等)等相关内容，最后对比了RL与GAN等价结构。
Policy Gradient
考虑一个actor π与环境互动，收集(s,a,r,s')，其中π(a|s)为我们可以控制的policy，Env在收到actor 动作后给出下一个s'和r，这是无法控制的！且r一般为随机变量，我们考虑一个trajectory完成时的total reward，也就是所有r的和R（必然一个问题是R的方差极大）。由于R为随机变量，我们考虑最大化R的均值，也就是sample一些π的trajectory，然后求均值R'。
使用 gradient ascend来最大化R'，这里参数θ只与π(a|s)有关，最后得到可sample的式子。其中 每笔trajectory的数据只能用一次，actor更新之后就不能用了。 实际操作时可以看为加权的分类问题S->A，选择cross-entropy，权重为R，R可以不可导。
tip1 : add a baseline, 可能 R都是正的，导致不论什么a都增加其几率，当sample够大这不是问题，但 sample小的话会潜在降低没有sample出a的几率。b一般与s有关。比如可以使用R的均值等。
tip2： assign suitable credit，一个 trajectory中所有a的r都一样是不合理的，只考虑t之后的r，可以考虑discount rate。当sample足够大，也不是问题，数据可以区分不同a的作用。其中 R' - b为advantage function，衡量用θ这个模型，在s中采取a相对于其他action的好坏(Critic)。
最终：
PPO (TRPO,PPO2)
原因：policy gradient为on-policy，sample一次更新完actor之后，actor就变了，不能使用原来的数据了，必须重新与Env互动收集新数据，这导致训练需要大量互动，降低效率。
Important sampling：使用其他分布q获得数据，来估计基于分布p的函数期望，用户不能直接从p中采样的情况。需要注意的是p与q不能差太多，因为函数期望虽然无偏，但是方差可能很大，当然如果sample数据足够多也没这个问题。
目标：使用θ'采样的数据，训练θ这个actor，过程中θ'是fixed的所以可以重复使用用θ'的数据训练θ许多次，增加数据利用率，提高训练速度，为openAI的default方法。显然，此方法转为了off-policy。
注意：因为θ' 是与环境交互的actor，所以advantage function 的估计需要使用θ'的数据。
此为跟新需要的gradient，其中假设在不同actor中看到的s概率一样，则可以简化。通过gradient可以反推出目标函数。
约束：由于θ'与θ不能差别太大，所以需要有个约束，比如在目标函数后加-βKL(θ,θ')作为约束(PPO)；或者外面引入KL(θ,θ') < δ.(TRPO，PPO前身，用constraint计算上不好处理)
说明：因为可能参数小的变化，行为变化很大，衡量无意义。所以。KL(θ,θ')不是参数上的距离，而是行为上的距离！π(a|s)的分布接近！
tip：adaptive KL Penalty，权衡β。定义KLmin和KLmax，当KL > KLmax，说明penalty作用没发挥，则增加β的值，反之亦然。
PPO2：不用计算KL，同样可以控制θ与θ'之间差距。
说明：当A>0，也就是a是好的，我们希望增加Pθ的概率，但是，Pθ不能弄得太大，太大也就会使与Pθ'差距大，导致效果不好。反之亦然。
Q-Learning
value-based，学习Critic，评价现在的行为的相对好坏。
state value fucntion Vπ(s).: 期望累计奖励，给定π，s，衡量a的好坏。主要他必须与π相关，衡量这个actor，而不是单纯的s。
估计：
- MC（episodic），需要π经历一次整个过程后，进行统计估计，由于r为随机变量，所以此方法方差大，但是无偏的。
- TD, 根据Vπ(st)=Vπ(st+1)+rt估计，不需要每次经历完整过程。由于Vπ值都为估计值，可能存在估计不准，其中只涉及r，方差小
state-action value function(Q function) Qπ(s,a).：衡量π在s下，采取a的好坏。其中π不一定采取a，这里只是衡量如果在这采取a的情况。
形式：
- 输入s,a，输出Q
image.png - 输入s，输出每个a的Q，只能用于离散a
image.png
目标：给定Q，找到一个比π更好的π'，这里"更好"是说，对所有s，有Vπ'(s) >= Vπ(s)
决策：π'=argmax_aQπ(s,a)，这里没有policy，依据Q来决定的，这个形式对连续a不好求解。
附：证明Vπ'(s) >= Vπ(s)
必用tips
-
target network
学习中数据为...(st,at,rt,st+1)...,训练目标为由于目标函数在更新后是变化的，训练十分不稳定。
image.png
我们采用两个network，一个用来训练，一个用来计算目标target(右边的)，训练时target固定住。当训练一定数目后再更新target network的参数（用训练network替换）。 -
exploration
Q-learning的policy是依赖于Q，每次选择最大Q的a，这样不利于收集数据，如果一开始没有采样到a，Q比较小，之后不会再采取这个a，无法准确估计Q(s,a)。
方法： ε-greedy ：以ε概率随机选择a，通常 ε随着学习进行变小；
Boltzmann Exploration：基于Q值概率化，通过概率采样选择a，
image.png Replay Buffer
把actor的每笔experience (st,at,rt,st+1)放到一个buffer里面，其中buffer里面的exp可能来自不同的actor，当buffer满了再替换旧的exp。训练过程时每次从buffer里面sample一个batch出来训练。
结果：变成了off-policy方法（可能来自于其他actor）
好处：RL训练过程中交互很耗时间，这样充分利用数据(可以反复利用数据），减少很Env互动次数；降低batch内相关性，训练效果更稳定（diverse），因为我们只用一个exp训练，并不是trajectory，所以off-policy也没关系。
高级Tips
-
Double DQN
解决Q值高估的问题。Q值一般都是被高估的，假设某个a被高估了，则target会选择被高估的a，则target总是会很大。
我们采取使用两个function Q和Q'，其中Q选择a（训练用Q），Q'来估计q值（target Q'），当一个高估q的Q选择了高估的a，但是另一个可能会准确估计其q值；当Q'高估q，只有Q不选择a就ok，这样双重决策会缓解高估问题。采用target network和main network可以有效减少参数量。
image.png -
Dueling DQN
改架构，使Q(s,a) = A(s,a) + V(s)，有时候Q的值可能与a无关，而只与s有关，比如一个不好的s导致什么a都不好。当action不影响s时，没必要去衡量每个a的q值（只有在关键时刻a才重要！）
image.png
好处：当没有sample到a时，同样可以更新a，比较有效率地使用数据，加速训练。
说明：为了防止模型不训练V，可以给A(s,a)加约束。比如A(s,a)限制和为0等等。实际操作可以在A(s,a)最后一层加normalization op.
Prioritized Replay
改变sample data的分布，增加那些难训练的数据被采样的概率，TD error大的数据；同时可以改变训练过程。-
Multi-step
权衡MC与TD，结合MC与TD的好处与坏处，MC准确方差大，TD方差小，估计不准。可以通过调节N来权衡。replay buffer中存N步的exp，则target变成：
image.png Noisy Net (State-dependent Exploration)
原本的exploration(ε-greedy)时对action加noise，现实中是不合理的（给同样s，采取的a不同，真是π不是这样的）。这里采用在每个参数上加gaussian noise，注意每次在sample net时是在每个episode开始使sample net，之后固定住net开始训练。这样在类似的s给出是类似的a，更合理,系统地探索环境(Explore in a consistent way)。-
Distributional Q-function
Q function为累计期望奖励，它为期望值，实际上在s采取a时，最终所有得到的reward为一个分布reward distribution，但是不同的分布可能期望是一样的。只用期望来代表reward会损失一些信息。
原来Q function为输出每个a的Q，Q为期望，现在输出每个a的Q的分布！实际上操作，假定reward distribution在一个范围内，拆成一些区间，输出在s采取a的reward落在某个区间的概率。在test时可以选择某个a期望最大的action执行，也可以考虑分布的方差，减低a的风险。此方法不会产生高估q值问题，因为一开始把q限制在一个范围内了(可能低估q)。
image.png Rainbow
把以上方法全部结合起来！。。。
Q-learning总结：比较稳；只需要Q function就可以找到较好的π；容易操作。不易处理连续action情况。
如何用Q-learning处理连续a的情况：
1. sampling action: sample N a, choose maxQ(a,s)
2. gradient ascent solve the optimization problem, 存在local minimum，选择a时先要训练一个net..
3. 设计网络使优化目标好解，比如
Actor Critic (A2C, A3C, DPGP)
原始policy-based方法中梯度为
目标：直接估计累计reward的期望值代替sample的估计,使估计稳定。其中估计reward的期望值为value-based method。
根据Q function的定义：E[Gt]=Q(st,at), 所以可以用Q-learning学G。
baseline：与s有关，可以用Vπ(s)等表示，需要注意EQ(s,a)=V(s)，所以Q-V有正有负！
最终：G-b = Q(s,a) - V(s)，此时需要两个network分别预测Q和V，这会承担2倍风险预测不准确。
因为
为advantage function.
A2C
π先互动，收集exp，先估计V(s) (TD, MC),再估计π
tips
-
shared shallow layer：需要学习的两个network可以共享参数
image.png output entropy as regularization for π(s)，使action分布交均匀，实现exploration
A3C
A2C训练较慢，使用多个worker学习参数跟新梯度，一起更新Global Network的参数。每个worker从global network中拿参数，自己与环境互动，计算梯度，更新global network参数。注意，每个worker可能不是原始参数。
PDPG
从不同视角来看，原来Critc只评价a，现在可以引导π，告诉哪个a好；一种使用Q-learning解连续动作的方法，原来Q-learning不好解连续a的argmax的问题，现在用一个actor来解。
先训练Q，然后固定Q，训练actor使得Q最大，架构与GAN一样！generator为actor，discriminator为Q，为一个conditional GAN.
Q-learning中的技术都可以使用。
整个算法：
进而，GAN中的优化方法可以引入这里：
高级技法
Sparse Reward
agent可能大多时间没有reward，导致训练时不论采取什么a都一样好。
Reward Shaping：Env有自己固定的reward，我们引导actor刻意设计一些reward，学到期望的行为。可能有些actor在预测未来reward很难，则discount很大。设计reward不一定是Env真的reward，只是我们希望的行为，一般需要domain knowledge。
Curiosity：Intrinsic Curiosity module (ICM)
鼓励actor冒险，越难预测的s，则风险越大，增加exploration。但是不一定越难预测这个s就是好的，可能环境中的随机无关变量。进而引入feature extractor，把没有意义的无关变量过滤掉。则ICM可以为：
Curriculum Learning：为机器的学习做规划，有顺序地训练，从简单东西到难的东西（不只用于RL）。比如识别数字，先学习分辨0，1，然后学习分辨0-9。需要老师设计课程。
Reverse Curriculum Generation：给定一个goal state->根据goal state采样离goal state接近的state s1->从这个s1互动，看能否达到goal state，得到reward->删除reward 极端的state(reward太大，说明太简单，已经学会，反之亦然)->基于适中的reward的s1继续sample s2。
Hierachical RL：有许多不同等级的agent，高层的负责定目标，分配给底层的agent负责执行完成。大任务分解为小任务逐次实现。
注意：如果低级的agent不能实现目标，则高级的agent受惩罚，防止高层的agent提出太难的目标；如果agent最终实现了一个错误的goal，则假设正确的goal为这个错的！(三观不一)
Initation Learning
Appewnticeship Learning: learning by demonstration，整个任务没有reward！通过专家演示如何解决问题。
- 机器可以与环境互动，但是不会获得显示的奖励
- 有些任务很难定义reward（比如驾驶车无法判断撞男人和女人各有多少reward）
- 有些人工定义的reward可能导致无法控制的结果
方法：Behavior Cloning；Inverse Reinforcement Learning (inverse optimal control)
Behavior Cloning：监督学习，收集专家的(s,a)进行学习。
可能存在的问题：
- 专家只能提供有限的样本（专家很专业，不会经历一些极端情况，机器遇到无法决策）。
Dataset Aggregation：这种情况可以让专家在机器决策时处于机器的环境（收集专家在极端情况下的行为），但是机器还是做自己，专家给予指导，可能导致每次尝试损失一个专家。 - 机器可能只是单纯复制专家的行为，不论行为是是否相关（比如学到个人无关的坏行为），因为机器的capacity是有限的，可能只学到了坏行为（监督学习同等对待所有error）
- 训练数据与测试数据mismatch
supervised learning中我们希望训练集和测试集具有相同的分布。
但是在BC中，训练数据为(s,a)~π^(expert)，其中专家的action会影响s的分布( RL特点)；测试数据为(s',a')~π(actor clone expert)。当π^=π时，数据具有相同的分布；当不相等时，s与s'可能差异很大。
Inverse Reinforcement Learning：有Env，actor，Expert demonstration，但是没有reward function。利用expert行为反推reward function；接下来可利用RL找到optimal actor。
好处：可能reward function比较简单，也能导致expert的复杂行为。
方法：
- 有一个expert与环境互动得到一些专家数据
image.png - 有一个actor π与环境互动得到数据
image.png 反推一个reward function，原则为expert得到的分数比actor高。
利用这个reward fucntion使用RL方法学习actor，得到新数据。
-
基于新的actor与expert数据，更新reward function，遵循同样的原则，反复迭代，最终学到reward function使得actor与expert得到同样高分。
reward function：如果是线性的reward，保证收敛。或者可以使用NN，输入为trajectory，输出一个R；或者输入(s,a)，输出r，最后汇总得到R。
image.png
说明：如果actor是generator，reward function是discriminator，则整个框架就是GAN！
优点：不需要太多的training data
应用：学习不同expert开车，且能学习每个expert开车不同风格；人示范训练机器人(手把手，机器处于s的第一视角)；Chat-bot（使用maximum likelihood相当于behavior cloning，这是不够的！；SeqGAN方式相对于IRL）
Third Person IL：使用domain adversial training (抽取有用的信息)+ IL，机器看人的行为学习（机器学习视角为第三视角）。