港科大博士生李思毅：深度强化学习——从原理到应用
港科大博士生李思毅：深度强化学习——从原理到应用
看都看了，还是要记录一下我得到了什么知识的
是我自己记录的，算是原创还是转载(⊙o⊙)…
不想整理…
如果训练数据和测试数据不是独立同分布，那么训练出来的结果不会有好的泛化性能
很多问题与环境持续交互，数据有很强相关性，不符合独立
agent：最终想要实现的AI
environment：
action：
state：
reward：来评估当前选取的action的好坏
environment接收到action之后，会返回state和reward
最终目标选取一系列action最大化奖励
传统 低维状态空间、手工设计特征
通过RL定义目标，通过机器学习来学到好的表达
深度学习的好处是不同层次的函数会学到数据不同层次的表达
足够多的层数可以实现从低层次数据到高层次表达的很好的映射
s:状态空间
在MDP中，environment可观测，只要知道当前时间点状态，之前的状态不重要，未来状态值和当前状态相关
action space
f： system dynamics，s和a，下一个状态会是什么，采用概率分布来描述
reward function：agent收到的反馈
agent的行为：Policy，用π来表示
如果是stochastic policy，π表示一个概率分布
如果是deterministic policy,从状态到动作的映射
expected return
如何定义future reward
expected return：j衡量关于reward 某个函数G在当前policy下的期望值，一般采取两种形式的G函数
discounted reward，γ 衡量未来的时间点得到的reward的重要性，当前时间点得到的一般收益大，未来小
average reward，极限形式
value function：
对于当前state expected return的预测
两种定义
state value function v 只依赖于s
state action function q 依赖于s和action
条件期望的依赖不一样
性质：满足某种递归关系，bellman equation，展示了value function可以分解为immediate reward+下一步的discounted value，dp中的递推公式
RL算法的理论基础。value function为policy提供了一组排序依据，如果value function是optimal的话（得到的expected return的最大值），同样optimal value function也满足递推归关系，称为bellman optimality xxx ？
RL的主体：policy和value function
常用算法：
critic-only 只用参数model一个value function，只去优化vf 没有显示policy,由vf隐式推断得到
actor-only 优化参数化的policy
actor-critic: 参数化policy，参数化value function
critic-only:
vf定义了一组optimal policy，只要policy可以达到optimal value f，policy就是optimal policy
隐式policy，policyYou贪心策略得到。
q function和v function推导optimal policy难度不同
q action离散，对于当前state，所有的action的q计算一遍，选最优的action
v 要知道system dynamics
model free的一般选q function
给定q v 推断policy
重点：如何估计想要的value function
三种方法：
DP：需要已知f model-based 方法
两个阶段
policy evaluation 根据bellman equation来更新当前policy的value function的估计
policy improvement根据更新得到的value function去选取新的policy
交叉进行直至value function和policy都收敛
两种方法
policy iteration : 刚刚两个过程交叉进行直至value function和policy都收敛
value iteration：不显示sauna policy，而直接更新value function
蒙特卡罗方法基于sample的方法
从agent和environment交互的一个episodes学习value function
一个episodes：agent必须一直和environment交互直至environment停止
小蜜蜂例子，飞机全被击毁，那么一个episodes结束
model free
缺点：只能从完整的episodes总学习value function
核心：sample很多个episodes，取这些的empirical mean return作为当前state下value function的估计，估计无偏，需要去sample很多数据。数据不足会有很高的variance
Temporal Difference Learning 方法
TD直接从agent和environment交互的experience里学习value function
model free
优点：从不完整的episodes中学习value function，根据bellman equation，使用 temporal error来更新value function，每交互一步，都可以更新对value function 的 估计收敛更快
没有理论保证，估计有偏差，效果可以，因为variance比价小
去诶单：action维度特别高，或者action是连续的
贪心策略选最优action会特别慢
Actor-only
直接对policy有参数化表达，产生action会很直接
优点：很好的收敛保证，高维action 连续 选取action非常快，因为可以参数化表达，所以可学随机的policy
缺点：没有value function去估计，评判policy在environment里不断sample，evaluation policy效率低，variance高
参数化policy，找到最好参数，expected return j最大化，梯度下降来解决
更为直接
关键怎么求解梯度？policy gradient
估计policy gradient
- 有限差分法近似梯度，给参数很小的扰动，sample估计
不可微的policy 函数
缺点：参数数量太多，效率低，梯度噪声大 - reinforce likelihood ratio methods
policy gradient重新表述成某形式，计算梯度时候不需要已知dynamics
trajectory return是一个agent从最开始temple state已知交互到 终止状态下reward的和
可以由q function 代替，算出来的梯度variance更小
实际中，从q function中减去一个baseline，对算法的收敛有很好的改善
variance
连续action的问题
actor-critic 方法的基础
policy gradient 定理：把policy gradient和value function ，q function联系到一起
要求q function 必须exact，必须真实的估计，state也是连续的，没办法得到exact q func，只能用approximate去近似q
定理
满足某些条件，即使是估计的，也可以用近似的h函数（同时依赖于state和action）
条件：1. 和policy compatible，梯度可以表示成policy function的形式
2. minimize 和q之间的mean squared error（用regression实现，但这样的实现效率比较低）
h减掉只依赖于state的函数，最终得到的是对policy gradient的估计，因此可以减去baseline
一个很好的baseline是state value function v，
可以用qfunction 去表述，也可以advantage function来表述 q和v的 差
定理的要求比较严格，h,算法等价于actor-only 的reinforce算
实际上用的时候回放松条件2，实际上会用TD learning方法去更新h，效率高，效果好
TD error去更新对value function的更新，根据policy gradient对policy进行更新
实用的AC方法及其变种
区别：期望公式最后的变量，直接用Vt表示trajectory return，是reinforce算法，用q q-actor-critic,用advantage function就是advantage-actor-critic, TD error TD actor-critic
另一类 Natural policy gradient
解决standard对不同参数化形式比较敏感的问题
在standard左边乘以 feature Information matrix
比standard收敛快，去estimate fm如果用的参数化形式复杂，那么这个过程特别慢
特殊情况natural actor-critic 特别简单 xxx approximate advantage function形式满足这个形式
可以写成xxx
框架和一系列问题的方法
深度学习和RL结合起来
用深度神经网络参数化表达 value function和policy
深度增强学习
基于value function：
用神经网络参数化表达 value function，推断action，对应于critic-only方法
如何参数化表达，两种方式
- 输入又有state又有action，只有state(通过一次计算，所有action对应的q函数值算出来)
q-learning更新依赖于bellman,给定transition sample，给定当前state和action，下一个state和获取的reward，去优化q函数参数最小化TD error。
state和action离散形式下可以收敛，直接把q-learningyouhua神经网络无法收敛，原因：交互时数据相关性太强，优化目标本身由q算，优化目标会变，导致序列不稳定，甚至发散
DQN：
experience replay agent和environment交互过程中，agent收集到的transition sample存在数据集，从数据集随机取样，去更新q网络，降低数据相关性
额外的网络target network，去生成TD learning中需要的目标值，序列目标不经常变动，和主体network更新频率不一致，target隔一段时间更新一次，更新间隔内保持不变
DQN成功训练大型非线性函数作为value function的approximate
DQN 后续工作：
Double DQN
DQN过高估计value function的值，归结于max操作符，用同样的q函数评估action，会导致比原始值更高一点的估计，把挑选action和评估action分隔开来。target network去评估，主体network去更新
Prioritized replay
DQN完全随机采样，未考虑到sample重要性不同。
使用temporal difference error来作为sample重要性的依据。TD error越大，sample对学习q function的贡献越大，采集概率更大，随机不损失sample多样性
Dueling
q f 看作vf 和advantage function的和
q网络分成两个分支 输出value function估计，只依赖于state，另一个advantage function，前面共享卷积参数层，后面全连接层分开，最后合起来得到q function 的估计
好处：每次都更新value function，更快去更新到每个state vf的估计
DQN局限性：
固定数目的过去几帧的图像来近似表示当前的state，远远不够，POMDP
把RNN加入DQN框架，用RNN学习过去所有观测到的state
以上是减少数据相关性
异步框架RL
或者用多CPU多线程并行共享网络参数的agent，来减小数据相关性
不同agent并行执行，与环境交互到很多不同的地方，可以减小数据之间的相关性
异步q-learning
N-step q-learning：未来N步return来更新value function，考虑到的数据量更多，更新更快。
value-based
policy-based深度学习方法
神经网络参数化policy
异步advantage actor-critic A3C
advantage actor-critic在异步框架下的扩展，很多paper使用这个算法作为baseline
baseline是什么
TRPO
用什么标准去限制模型参数更新前后的距离
每次更新强制满足限制条件，保证每次更新不会太大（可能会陷入local optimal，通过line search实现，提高稳定性）
on-policy
每次用来更新模型的数据一定是当前执行的policy产生的，之前提到的A3C，TRPO都是on-policy的算法
off-policy
用来更新模型的数据可以不是当前执行的policy产生的
DQN（off-policy replay buffer）
DDPG Deep Deterministic policy gradient
实际上吧DQN 扩展到continuous action的设定下
1、experience replay
2、target network
另外一个network参数化policy，Deep Deterministic policy gradient更新得到
优点：可以处理连续的action
上面是model free
下面是model based
continuous q-learning
连续action 贪心non-trivial
提出一种特殊的q-learning的参数化形式，最大化action有解析解μ
model-based 方法提高在数据使用上的效率
基于Q-learning产生的policy的agent在和环境交互时，加入model-based的controller也去和环境交互，存储transition sample不仅存q-learning收集的数据，也存储q-learning network数据，然后取合集。由于数据分布太不一样，因此无什么效果
imagination ruleout，根据收集到的sample，额外学到dynamics model，agent在真实环境中交互，也会在学习到的dynamics下去交互，两者数据结合起来，优化q函数，实验中提高data efficiency
guided policy search
modelbased方法和深度学习结合
寻找policy这个问题转化成有监督学习问题
xxx数据分布不一样，误差会越来越大
GPS好处是训练非常快。
RL天生适合打游戏
Atari game
MineCraft 导航任务
FPS games 射击游戏，
强化学习任务通常使用马尔可夫决策过程（Markov Decision Process，简称MDP）来描述，具体而言：机器处在一个环境中，每个状态为机器对当前环境的感知；机器只能通过动作来影响环境，当机器执行一个动作后，会使得环境按某种概率转移到另一个状态；同时，环境会根据潜在的奖赏函数反馈给机器一个奖赏。综合而言，强化学习主要包含四个要素：状态、动作、转移概率以及奖赏函数。