【百度飞桨强化学习7日打卡营】学习笔记 -- 第四课：基于策略梯度求解RL

写在前面

本次课程是参加百度飞桨7日打卡营活动的第四天笔记。
课程链接：https://aistudio.baidu.com/aistudio/education/group/info/1335

主要内容：策路近似、策路梯度
实践：Policy Gradient

一、Value-based 与 Policy-based 区别

	Value-based	Policy-based
区别1	间接方式求action	直接一步到位求action
区别2	确定性策略：优化到最优后，参数就固定下来了。那么输入一样的状态会输出一样的action	随机策略：根据概率来采样，概率越大，动作越容易被采样到

智能体的选择是我们可以去优化的策略，但是环境随机性的概率我们是不能控制的。

为了使reward上升，我们引入梯度上升概念。

二、蒙特卡洛MC与时序差分TD

1.蒙特卡洛MC与时序差分TD区别

蒙特卡洛MC：算法完成一个episode之后，再那这个episode 的数据来去做一次 learn() 更新。注意这里的G_t(外加上标n) 是指当前步开始，我往后能拿到的收益之和。
时序差分TD：每个step都会进行learn() 更新，使用Q(外加上标n)来近似G_t(外加上标n)

2.Gt的计算

三、类比监督学习来理解Policy Gradient

手写数字识别，差不多算是神经网络里面的 “hello world”


用交叉熵来计算两个概率之间的差值。因为我们希望这两个动作概率分布之间的差距，所以计算得到的距离就可以作为 loss 传给神经网络里面的优化器进行优化。

四、REINFORCE 算法

1.REINFORCE 算法原理

2.REINFORCE 流程图

3.REINFORCE 程序实现

五、总结

课后作业



最后附上一部分的公式推导过程：

课后作业

请按照notebook中说明，完成4处代码的补充和调试。预期效果：分数从-21开始逐渐上涨收敛，Test reward的分数可以收敛到0分以上（说明打败对方了），越高越好。

1.课后作业AI Studio运行效果

参照课上老师讲解和 PARL/examples/tutorials 里面的内容，填写完整 Notebook，并运行代码。（自己运行没有能训练到reward的分数 > 0）

2.课后作业本地运行效果

（本地运行，自己也没有能训练到reward的分数 > 0，可能自己的CPU太菜了 -_- ）

pip install paddlepaddle==1.6.3
pip install parl==1.3.1
pip install gym

git clone --depth=1 https://gitee.com/PaddlePaddle/PARL.git  # 下载PARL代码库
dir PARL # 查看代码库根目录
cd PARL #进入到 PARL 文件夹

## Step3 运行QuickStart
python examples/tutorials/lesson4/policy_gradient_pong/train.py