百度7天强化学习课程学习心得

一、强化学习初印象

让机器像人一样学习：对已知环境进行规划、对未知环境进行探索/试错。

案例

Multi-Agent Hide and Seek，OpenAI 的 AI 多角色捉迷藏游戏。   地址：http://openai.com/blog/emergent-tool-use

参考资料：

• 《Reinforcement Learning: An Introduction》 
•   伯克利 2018 Deep RL 课程：http://rail.eecs.berkeley.edu/deeprlcourse/

强化学习经典算法复现：DQN，DDPG，PPO，A3C

强化学习理论课：2015 David Silver 经典强化学习公开课，UC Berkeley CS285，斯坦福 CS234

动手实践：Sarsa、Q-learning、DQN、Policy Gradient、DDPG

经典论文

• DQN “Playing atari with deep reinforcement learning” https://arxiv.org/pdf/1312.5602.pdf
• A3C “Asynchronous methods for deep reinforcement learning” http://www.jmlr.org/proceedings/papers/v48/mniha16.pdf
• DDPG “Continuous control with deep reinforcement learning” https://arxiv.org/pdf/1509.02971
• PPO “Proximal policy optimization algorithms” https://arxiv.org/pdf/1707.06347

前沿研究方向：Model-based RL、Hierarchical RL、Multi Agent RL、Meta Learning

二、强化学习基本概念

1.强化学习是什么

• 强化学习（英语：Reinforcement learning，简称RL）是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。
• 核心思想：智能体agent在环境environment中学习，根据环境的状态state（或观测到的observation），执行动作action，并根据环境的反馈 reward（奖励）来指导更好的动作。
• 三要素：state状态（全局）/observation观察值（局部）、action动作、reward反馈/奖励

注意：从环境中获取的状态，有时候叫state，有时候叫observation，这两个其实一个代表全局状态，一个代表局部观测值，在多智能体环境里会有差别，但我们刚开始学习遇到的环境还没有那么复杂，可以先把这两个概念划上等号。

2.强化学习能做什么

• 游戏（马里奥、Atari、Alpha Go、星际争霸等）
• 机器人控制（机械臂、机器人、自动驾驶、四轴飞行器等）
• 用户交互（推荐、广告、NLP等）
• 交通（拥堵管理等）
• 资源调度（物流、带宽、功率等）
• 金融（投资组合、股票买卖等）
• 其他

3.强化学习与监督学习的区别

• 强化学习、监督学习、非监督学习是机器学习里的三个不同的领域，都跟深度学习有交集。
• 监督学习寻找输入到输出之间的映射，比如分类和回归问题。
• 非监督学习主要寻找数据之间的隐藏关系，比如聚类问题。
• 强化学习则需要在与环境的交互中学习和寻找最佳决策方案。
• 监督学习处理认知问题，强化学习处理决策问题。

4.强化学习的如何解决问题

• 强化学习通过不断的试错探索，吸取经验和教训，持续不断的优化策略，从环境中拿到更好的反馈。
• 强化学习有两种学习方案：基于价值(value-based)、基于策略(policy-based)

5.强化学习的算法和环境

• 经典算法：Q-learning、Sarsa、DQN、Policy Gradient、A3C、DDPG、PPO
• 环境分类：离散控制场景（输出动作可数）、连续控制场景（输出动作值不可数）
• 强化学习经典环境库GYM将环境交互接口规范化为：重置环境reset()、交互step()、渲染render()
• 强化学习框架库PARL将强化学习框架抽象为Model、Algorithm、Agent三层，使得强化学习算法的实现和调试更方便和灵活。

6.强化学习的 2 种学习/优化方案

• 基于价值 Value-based （每一步 State 给奖励）—— 最终 Agent 获得每一步最优解（确定性策略）。算法有：Sarsa、Q-learning、DQN
• 基于策略 Policy-based （最终给出奖励）—— 最终 Agent 获得每一步的概率分布（随机性策略）。算法有：Policy gradient

7.算法库&框架库

                               
三、GYM库（环境库）

RL环境相关的库：Gym编程实践

Gym 是个仿真平台，python 的开源库，RL 的测试平台

官网：https://gym.openai.com/

离散控制场景（动作为确定值）：一般使用 atari 环境评估
连续控制场景（动作为浮动连续值）：一般使用 mujoco 环境游戏评估
Gym 的核心接口是 enviroment

核心方法：

reset()：重置环境的状态，回到初始环境，以便开始下一次训练。
step(action)：推进一个时间步长，返回 4 个值：
observation (object)：对环境的一次观察
reward (float)：奖励
done (boolean)：代表是否要重置环境（是否达成最终结果/游戏结束）
info (dict)：用于调试的诊断信息
render()：渲染，刷新环境新一帧的图形

四、PARL库（算法库）

PARL 是对 Agent 的框架抽象

适用范围：

• 入门：快速学习和对比不同常用算法
• 科研：快速复现论文结果，迁移算法到不同环境调研
• 工业：大规模分布式能力，单机到多机仅需2行代码，快速迭代上线

PARL 的实现基于 3 个类：

• Model（模版+用户定制）：网络结构，可修改 carpole_model.py 文件
• Algorithm
• Agent（模版+用户定制）：与环境交互方式，数据接口可修改 carpole_agent.py

五、常用算法简介

1.Sarsa简介

Sarsa全称是state-action-reward-state'-action'，目的是学习特定的 state下，特定 action的价值 Q，最终建立和优化一个Q表格，以 state为行，action为列，根据与环境交互得到的 reward来更新 Q表格，更新公式为：

Sarsa在训练中为了更好的探索环境，采用ε-greedy方式来训练，有一定概率随机选择动作输出。

2.Q-learning简介

• Q-learning也是采用Q表格的方式存储Q值（状态动作价值），决策部分与Sarsa是一样的，采用ε-greedy方式增加探索。
• Q-learning跟Sarsa不一样的地方是更新Q表格的方式。
  • Sarsa是on-policy的更新方式，先做出动作再更新。
  • Q-learning是off-policy的更新方式，更新learn()时无需获取下一步实际做出的动作next_action，并假设下一步动作是取最大Q值的动作。
• Q-learning的更新公式为：

3.policy gradient简介

• 在强化学习中，有两大类方法，一种基于值（Value-based），一种基于策略（Policy-based）

  • Value-based的算法的典型代表为Q-learning和SARSA，将Q函数优化到最优，再根据Q函数取最优策略。
  • Policy-based的算法的典型代表为Policy Gradient，直接优化策略函数。

• 采用神经网络拟合策略函数，需计算策略梯度用于优化策略网络。

  • 优化的目标是在策略π(s,a)的期望回报：所有的轨迹获得的回报R与对应的轨迹发生概率p的加权和，当N足够大时，可通过采样N个Episode求平均的方式近似表达。
  • 
  • 优化目标对参数θ求导后得到策略梯度：

              

4.DDPG简介

• DDPG的提出动机其实是为了让DQN可以扩展到连续的动作空间。

• DDPG借鉴了DQN的两个技巧：经验回放 和 固定Q网络。

• DDPG使用策略网络直接输出确定性动作。

• DDPG使用了Actor-Critic的架构。

课程平台网址是https://aistudio.baidu.com/aistudio/education/group/info/1335

PARL的Github: https://github.com/PaddlePaddle/PARL

六、学习心得

        之前没有学习过强化学习的课程，因此报名参与。强化学习目前也比较火，通过这次学习对强化学习有基本的认识和了解，可以使用开源的库来实现某种算法，从而解决问题。在强化学习中，比较重要的是Q表格，要理解公式，然后可以写代码，因此数学基础也很重要。

参考博客

https://www.pianshen.com/article/90581504270/

https://blog.csdn.net/qq_42067550/article/details/106816589

https://blog.csdn.net/qq_42067550/article/details/106844303