李宏毅老师2020年深度学习系列讲座笔记1

瞎看吧。。。。至少做个笔记

https://www.bilibili.com/video/BV1UE411G78S?from=search&seid=11796990666136537025

AI=RL+DL？

agent-接受state（不是系统状态，而是environment的state，可以理解为observation）-做出action-action影响environment-由于对环境造成了影响可以得到reward

 

一句话本质：agent learns to take actions to maximize expected reward.

 

应用范围：游戏、自动驾驶、chat-box等（人工智障？？）

 

难点：

1.【远见】reward是delay的，agent需要有远见。比如在游戏里不能一直开火要移动，移动短时间内没有reward，但是为了未来的优化需要这么做

2.【探索】agent的行为可以影响environment，agent需要有探索能力。比如在游戏里不能总是移动，需要尝试开火。

 

常用method的思路：

actor=policy

action=\pi (observation) 通过reward帮助我们找到这个\pi

 

步骤：

  a.决定函数空间长什么样子：

  ---神经网路：输入的是观察得到的向量，通过不同层得到向量

  b.决定判断函数好坏的标准

  ---看output和model像不像：loss function

重点：

1.episode=trajectory

2.每个不同的trajectory都会有reward，但是我们想要一个综合起来更好的，因此使用期望R_\theta，但是本身RL应对的问题就是episode过多（否则给一个表格直接算出每一个episode（策略）对应的reward一个一个对照查表就行了），因此我们以多次实验代表总体（大数定律保证其科学性）

c.找到最优的函数

常用方法：梯度下降法

主要思路是为了得到最优的函数值对应的\theta，首先找一个初始值\theta_0，然后向着目标函数R在\theta_0处的切线方向移动\eta步长，经过数次转向后到达。

（可以爬山类比，每一时刻向着搜索到的最陡的方向爬1米，经过多个循环爬到山顶）

接下来四页是推导得到最后用于计算的方程，并生成思路。

其实我们完全不需要知道R(\tao)具体是什么，实际上它与environment有关，比如在游戏里可能有随机性，我们只需要给一个\theta能算这个gradient就可以，因此我们把这个问题转换为求log的gradient。

由于很多项都是由environment决定，因此在求log的gradient的时候只有这个求和式子。

tips：

1.并不是哪个action好就是决定是它了，而是调整参数使得这个action的几率变大（因为需要保证一定的探索性，不能一叶障目一条路走到黑--不让AI一直开火也要有左右移动的概率）。

2.why log？

实际上会偏向出现次数比较多的action，要让machine更专注于reward大而不是概率大的，因此需要做一个normalization。

本来是想通过除以概率实现normalization，但是由于本身采用方法是sampling（采样），因此可能本身就没有随机到a导致生成的a的概率很小，因此我们统一减去一个bias。

设置baseline保证只有reward高过这条线的action才会被增加概率。（如果不设置的话所有的行为的reward都是非负的，所以machine可能会错误认为增加这些action的概率都会增大reward。）

*critic和Q-learning有关，后面会讲到不做赘述。

（actor-critic方法）+（critic和actor可以一起train）

结论：