百度飞桨7日强化学习打卡总结

初识强化学习

强化学习的主要思想是基于机器人（agent）和环境（environment）的交互学习，其中agent通过action影响environment，environment返回reward和state，整个交互过程是一个马尔可夫决策过程。当前做出的决定要使得未来收益最大化。
总目标是最大化累计收益
$$R=\sum _{t=0}^{\infty }{\gamma }^t{r}_t$$
系数gamma代表未来目前（现在）决策的影响，reward 的衰减因子，决定目光的长远
$$R_t=r_1+{\gamma }_{}{r}_{t+1}+{\gamma }^2{r}_{t+2}+...+{\gamma }^{n-1}{r}_n$$

表格型方法——Sarsa&Q-learning

表格型方法是遍历每一个位置不断选择最佳决策
表格方法演示

Sarsa更新公式：
$$Q(s_t,a_t)\leftarrow Q(s_t,a_t)+\alpha \left[\underset{target}{r_t+\gamma Q(s_{t+1},a_{t+1})}-\underset{current}{Q(s_t,a_t)}\right]$$
Q-learning 更新公式：
$$Q(s_t,a_t)\leftarrow Q(s_t,a_t)+\alpha \left[\underset{target}{r_t+\gamma \underset{a}{\max }Q(s_{t+1},a)}-\underset{current}{Q(s_t,a_t)}\right]$$
有何不同？
Sarsa为on-policy &Q-learning为off-policy
Sarsa是根据已知的下一步决策来决定下一步，下一步的决策是一定会执行的action，所以为了保证程序的执行，程序会选择我们需要的最佳策略，如此会尽可能的让所有策略远离悬崖。
Q-learning
Q-learning不需要知道下一步会对本身造成什么影响，默认的下一步是Q最大的动作，Q-learning的行为更大胆，不会瞻前顾后，会探索所有的可能性，最终会在所有表格中找到一个最优解。

神经网络方法求解RL——DQN

Q-learning

求解不可数的Q表格，使用神经网络拟合Q表格。

DQN
神经网络的作用就是输入State再返回Q值

基于策略梯度求解RL

不同于之前的三种方法
policy-based基于神经网络输出策略概率${\pi }_{\theta }(a_t|s_t)$
Policy Gradient（PG）在尝试所有可能后改变权重值，改变选择每个策略概率，但不至于永远不会选中，是一个概率。
这次与之前的作业不一样，需要调整神经网络结构。
激活函数，网络层数和每个隐藏层中的节点数的选择很重要。

最后的大作业DDPG 四旋翼控制

一篇2017年的DDPG 四旋翼飞行器控制论文

激活函数的选择

人工神经网络试图模仿类似的行为。下图所示的网络就是由相互连接的神经元组成的人工神经网络。

上图中的黑色圆圈代表神经元。 每个神经元都有权重、偏差和激活函数。 信息进入输入层，神经元通过权重和偏差对输入信息进行线性变换，而非线性变换由激活函数完成。 信息从输入层传输到隐藏层，隐藏层对信息进行处理并将结果发送到输出层。 这被称为前向传播。如果产生的输出偏离预期值呢？ 在神经网络中，我们将根据误差更新神经元的权重和偏差。 这个过程被称为反向传播。 一旦所有训练数据经过了这一过程，则最终的权重和偏差就被用于测试。

激活函数是神经网络的一大关键组件，因为它们可将原本线性的分类器转换成非线性的。激活函数的发展经历了Sigmoid -> Tanh -> ReLU -> Leaky ReLU -> Maxout这样的过程，还有一个特殊的激活函数Softmax，因为它只会被用在网络中的最后一层，用来进行最后的分类和归一化。

最后的两个作业分别使用了tanh与relu
我估计为什么要换成tanh是因为relu当输入为负时，梯度为0，会产生梯度消失问题。

选择激活函数需要看具体情况而定。

深度学习速查
26种神经网络激活函数可视化-机器之心

网络层数和每个隐藏层中的节点数的选择

在神经网络中，当且仅当数据必须以非线性的方式分割时，才需要隐藏层。

貌似不能确定的样子，需要多看看书多查查资料。