深度强化学习入门

面向序列分析的代表性学习策略——深度强化学习

（代表性研究机构：阿尔伯特大学、deepMind，openAI、伯克利大学）
传统序列学习策略的不足：

强化学习的通用框架：learn by interacting with our environment

强化学习区别于其他机器学习策略最重要的四大特质：
动态地影响；
持续地交互；
稀疏的标注；
延迟的反馈

强化学习基本概念

强化学习的形式化描述——Markov Decision Processes-某状态的未来奖励与之前的历史无关

强化学习的前提条件：
1）满足马尔可夫决策过程的性质；
2）存在最优解；
3）环境的潜在规律/模型是固定不变的

状态（state）：只能主体（agent）某时刻对环境的观测值
行为（action）：交互过程中每时刻
奖励（rewards）：交互过程中每时刻获得的回馈
观测序列/样本/经验（trajectory）：
策略（policy）：输入当前的状态s，输出采取的动作a的函数
状态价值（value）/未来奖励：某个状态s开始，采用策略$\pi$，得到的完整序列/交互过程的各时刻奖励的累加和的期望值

间接优化：Deep Q-Learning算法

例_房间逃离问题：假设一栋建筑里有五个房间，房间之间通过门相连。将其按照0-4进行编号，建筑外面可以看作一个大房间，编号为5.

问题：假定现在agent处于2号房间/状态，希望它通过学习到达5号房间。或者求解从任何房间到达5号房间/逃离出去的最佳策略。

解决方法：价值迭代方法

步骤1：以状态state为行，行为action为列，构建一个关于rewards的奖励矩阵R，其中-1表示没有边相连

步骤2：再构建一个价值矩阵Q，用于记录agent从经验中学到的知识，矩阵Q和R是同阶的，以状态state为行，以行为action为列。

步骤3：初始化Q矩阵为0矩阵。（对于状态数目未知的情况，可以每发现一个新状态，就在Q中增加相应的行列）

步骤4：根据价值迭代算法的状态-动作价值更新规则，agent不断进行学习，在各个状态之间进行转移和搜索，直至到达目标。（每一轮完整的探索称为一个episode）

步骤5：策略生成。根据最终的状态-动作价值表，就学到了各状态下到达目标状态的最佳路径、策略。

pseudo：

示例代码：

import torch
import numpy as np
import random

def q_learning():
    reward=torch.tensor([[-1,-1,-1,-1,0,-1],[-1,-1,-1,0,-1,100],[-1,-1,-1,0,-1,-1],[-1,0,0,-1,0,-1],[0,-1,-1,0,-1,100],[-1,0,-1,-1,0,100]])
    q=torch.zeros(6,6)
    gamma=0.8
    episode=1000
    for i in range(episode):
        print("episode:{}".format(i))
        s=np.random.randint(0,6)
        while(True):
            print("状态：{}".format(s))
            actions=[]
            for j in range(6):
                if(reward[s][j].item() is not -1):
                    # print(reward[s][j].item())
                    actions.append(j)
            # print(actions)
            if(actions is not []):
                action=np.random.choice(np.array(actions),1)
                # print(action[0])
                s_=action[0]
                max_q=-2
                for k in range(6):
                    # print(q[s_][k])
                    max_q=max(max_q,q[s_][k].item())
                # print(max_q)
                Q_sa=torch.zeros(6,6)
                Q_sa.copy_(q)
                # print(Q_sa)
                Q_sa[s][s_]=reward[s][s_].item()+gamma*max_q
                # print(q)
                s=s_
                # print(Q_sa)
                if(torch.equal(Q_sa,q)):
                    # print(Q_sa)
                    break
                q.copy_(Q_sa)
            # break
        # break
    print(q)
    
if __name__=="__main__":
    q_learning()

Deep Q-Learning Network

当面对几乎无尽的状态空间时，基于有限的纬度表格的穷举搜索算法失效。因此，我们可以使用深度网络来学习更为复杂的价值函数。

直接优化：Policy Gradients算法

尽管DQL系列方法对Q(s，a）值近似估计进行了大量的改进和优化，但当状态s太多变化时，（s，a）有接近无穷多种组合，对应的Q（s，a）值也有无穷多种可能，即使采用深度网络页非常难以准确拟合。
能否直接学习S——>a的映射函数呢？

策略梯度（Policy Gradients） 的基本思想是：通过评价动作action的好坏，来直接调整action的出现概率
PG_based RL in PONG：
step 1：随机初始化策略网络的两层权重
step 2：尝试玩100局完整的Pong游戏/Policy rollouts
step 3：对所有最终胜利的episodes中的动作进行权重增强/增大执行该动作的概率；反之，对所有最终失败的episodes中的动作进行权重削减/减少执行该动作的概率
step 4：再使用更新的策略网络玩新的100局，反复迭代直至收敛。

为什么说Policy Gradient方法具有较大的variance，需要引入baseline/advantage来控制？
==回答：==因为Policy Gradient方法通过有限抽样来逼近统计概率，训练中使用每一个样本序列的最终得分来提升/降低序列中所有动作的概率。在样本数无穷大的时候/大数定理，这种近似是合理的。但是在样本不够大的时候，这样不加区分的加权会导致严重的credit assignment问题（序列中不够好的动作也被增强了）。因此，引入baseline，就相当于对序列中每个action进行了更准确的判断：若执行动作a后的累计奖励还不如不执行/不如平均值，则此动作a即使在成功序列中，也不能被鼓励！

Actor-Critic Algorithm:
考虑到：如果在状态s下采用动作a，其值能够远远大于采取所有动作的期望值，则这个动作很重要！更应该被加强！因此引入基于Advantage reward的Actor-Critic Algorithm。

RL两大类算法的本质区别（Policy Gradient & Q-Learning）

1.Q-learning是一种基于值函数估计的强化学习方法，Policy Gradient是一种策略搜索强化学习方法。前者可类比Naive Bayes——通过后验概率来间接预测，后者可类比SVM——不估计后验概率而直接优化学习目标。
2.理论上：Q-Learning在离散状态空间理论上可以收敛到最优策略，但收敛速度可能极慢，在使用函数逼近后则不一定；Policy Gradient使用梯度方法求解非凸目标，只收敛到不动点，不能证明收敛到最优策略。
3.应用上：Q-Learning 等基于值函数的方法存在策略退化问题，即值函数估计已经很准确了，但通过值函数得到的策略仍然不是最优。本质在于策略的间接优化，且价值的轻微扰动可能会大幅度修改策略；Policy Gradient不会出现策略退化现象，其目标表达更直接，求解方法更现代，还能够直接求解stochastic policy等等优点更加实用。
4.Actor-Critic就是在求解策略的同时用值函数进行辅助，用估计的值函数替代采样的reward，提高样本利用率。