强化学习中有两种重要的方法：Policy Gradients和Q-learning。其中Policy Gradients方法直接预测在某个环境下应该采取的Action，而Q-learning方法预测某个环境下所有Action的期望值(即Q值）。一般来说，Q-learning方法只适合有少量离散取值的Action环境，而Policy Gradients方法适合有连续取值的Action环境。在与深度学习方法结合后，这两种算法就变成了DPG(Deterministic Policy Gradient)和DQN(Deep Q-learning Network)，他们都是由DeepMind提出来的。DDPG（Deep Deterministic Policy Gradient）则是利用 DQN 扩展 Q 学习算法的思路对DPG方法进行改造得到的（Actor-Critic，AC）框架的算法，该算法可用于解决连续动作空间上的 DRL 问题。
这里推荐莫烦大神的关于强化学习的代码总结，git地址：
https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow/tree/master/contents
大家也可以搜索他的博客，里面有很多关于强化的系列文章，很有价值。
1、gym环境
先安装openai的gym环境，gym是一个模拟游戏环境的小引擎，openai开发gym就是为了方便广大机器学习爱好者做一些游戏交互方面的机器学习尝试。
pip install gym安装完成后，试试gym能不能正常运行。
运行下面代码：
import gym
# 创建一个小车倒立摆模型
env = gym.make('CartPole-v0')
# 初始化环境
env.reset()
# 刷新当前环境，并显示
env.render()
CartPole-v0’是小车游戏名称。出现上面这个窗口就表示gym环境已经可以正常运行了！
第二步，让小车动起来！
count = 0
for t in range(100):
action = env.action_space.sample() #随机采样动作
print("action:%s"%(action))
observation, reward, done, info = env.step(action) #与环境交互，获得下一步的时刻
if done:
break
env.render() #绘制场景
count+=1
time.sleep(0.2) #每次等待0.2s
print(count)
env.step(action)是让小车按照action的动作动起来，返回动起来之后的小车状态，回报值，是否结束等信息。
done=True表示本次游戏结束；observation是小车状态，reward是本次游戏动作的回报值。
2、Q-learning
Q-learning是一种基于Q值计算的强化学习，还有一种是基于策略梯度(Policy Gradient)的强化学习。
在Q-learning中，我们维护一张Q值表，表的维数为：状态数S * 动作数A，表中每个数代表在当前状态S下可以采用动作A可以获得的未来收益的折现和。我们不断的迭代我们的Q值表使其最终收敛，然后根据Q值表我们就可以在每个状态下选取一个最优策略。
其中更新的方法是用 Bellman Equation：
Q(S,a)=r+γ*max(Q(S',a')
其中，
S 代表当前的状态，a 代表当前状态所采取的行动，
S’ 代表这个行动所引起的下一个状态，a’ 是这个新状态时采取的行动，
r 代表采取这个行动所得到的奖励 reward，γ 是 discount 因子，
Q(S,a)称为Q-target，即我们使用贝尔曼方程加贪心策略认为实际应该得到的奖励，我们的目标就是使我们的Q值不断的接近Q-target值。
Q-learning只要明白它的原理就可以了，具体算法的代码我们不用太过于深究，因为现在直接用Q-learning的场景非常非常的少，重点可以看下DQN的具体实现。
3、深度Q网络（DQN）
为什么会出现DQN呢
在普通的Q-learning中，当状态和动作空间是离散且维数不高时可使用Q-Table储存每个状态动作对的Q值，而当状态和动作空间是高维连续时，使用Q-Table不现实。
如何将原始的Q-learning转换成深度学习问题
将Q-Table的更新问题变成一个函数拟合问题，相近的状态得到相近的输出动作。如下式，通过更新参数 θ 使Q函数逼近最优Q值 。因此，DQN就是要设计一个神经网络结构，通过函数来拟合Q值。DQN网络输入状态s，输出动作action。
这里的Deep即同样使用DQN中的经验池和双网络结构来促进神经网络能够有效学习。DQN的主要特点：
1、通过Q-Learning使用reward来构造标签。
2、通过experience replay（经验池）的方法来解决相关性及非静态分布问题。
3、使用一个神经网络产生当前Q值，使用另外一个神经网络产生Target Q值。
经验回放
经验池的功能主要是解决相关性及非静态分布问题。具体做法是把每个时间步agent与环境交互得到的转移样本 (st,at,rt,st+1) 储存到回放记忆单元，要训练时就随机拿出一些（minibatch）来训练。（其实就是将游戏的过程打成碎片存储，训练时随机抽取就避免了相关性问题）。
s是当前状态，a是当前动作，r是回报值，s_是下阶段状态。经验存储的代码如下。
def store_transition(self,s,a,r,s_):
if not hasattr(self, 'memory_counter'):
self.memory_counter = 0
# hstack:Stack arrays in sequence horizontally
transition = np.hstack((s,[a,r],s_))
index = self.memory_counter % self.memory_size
self.memory[index,:] = transition
self.memory_counter += 1
双网络结构
DQN使用单个网络来进行选择动作和计算目标Q值；Nature DQN使用了两个网络，一个当前主网络用来选择动作，更新模型参数，另一个目标网络用于计算目标Q值，两个网络的结构是一模一样的。目标网络的网络参数不需要迭代更新，而是每隔一段时间从当前主网络复制过来，即延时更新，这样可以减少目标Q值和当前的Q值相关性。Nature DQN和DQN相比，除了用一个新的相同结构的目标网络来计算目标Q值以外，其余部分基本是完全相同的。
Nature DQN的实现流程如下：
（1）首先构建神经网络，一个主网络，一个目标网络，他们的输入都为obervation，输出为不同action对应的Q值。
（2）在一个episode结束时（游戏胜利或死亡），将env重置，即observation恢复到了初始状态observation，通过贪婪选择法ε-greedy选择action。根据选择的action，获取到新的next_observation、reward和游戏状态。将[observation, action, reward, next_observation, done]放入到经验池中。经验池有一定的容量，会将旧的数据删除。
（3）从经验池中随机选取batch个大小的数据，计算出observation的Q值作为Q_target。对于done为False的数据，使用reward和next_observation计算discount_reward。然后将discount_reward更新到Q_traget中。
（4）每一个action进行一次梯度下降更新，使用MSE作为损失函数。注意参数更新不是发生在每次游戏结束，而是发生在游戏进行中的每一步。
（5）每个batch我们更新参数epsilon，egreedy的epsilon是不断变小的，也就是随机性不断变小。
（6）每隔固定的步数，从主网络中复制参数到目标网络。
引入target_net后，再一段时间里目标Q值使保持不变的，一定程度降低了当前Q值和目标Q值的相关性，提高了算法稳定性。
接下来，我们重点看一下我们DQN相关的代码。
定义相关输入
这了，我们用s代表当前状态，用a代表当前状态下采取的动作，r代表获得的奖励，s_代表转移后的状态。
self.s = tf.placeholder(tf.float32,[None,self.n_features],name='s')
self.s_ = tf.placeholder(tf.float32,[None,self.n_features],name='s_')
self.r = tf.placeholder(tf.float32,[None,],name='r')
self.a = tf.placeholder(tf.int32,[None,],name='a')
双网络DQN代码
w_initializer, b_initializer = tf.random_normal_initializer(0., 0.3), tf.constant_initializer(0.1)
# ------------------ build evaluate_net ------------------
with tf.variable_scope('eval_net'):
e1 = tf.layers.dense(self.s,20,tf.nn.relu,kernel_initializer=w_initializer,
bias_initializer=b_initializer,name='e1'
)
self.q_eval = tf.layers.dense(e1,self.n_actions,kernel_initializer=w_initializer,
bias_initializer=b_initializer,name='q')
# ------------------ build target_net ------------------
with tf.variable_scope('target_net'):
t1 = tf.layers.dense(self.s_, 20, tf.nn.relu, kernel_initializer=w_initializer,
bias_initializer=b_initializer, name='t1')
self.q_next = tf.layers.dense(t1, self.n_actions, kernel_initializer=w_initializer,
bias_initializer=b_initializer, name='t2')
网络结构也可以自己定义，总的原则就是输入是状态，输出是N个action的可能性。
每隔一定的步数，我们就要将target_net中的参数复制到eval_net中：
t_params = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES,scope='target_net')
e_params = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES,scope='eval_net')
with tf.variable_scope('soft_replacement'):
self.target_replace_op = [tf.assign(t,e) for t,e in zip(t_params,e_params)]
计算损失并优化
首先，对于eval_net来说，我们只要得到当前的网络输出即可，但是我们定义的网络输出是N个动作对应的q-eval值，我们要根据实际的a来选择对应的q-eval值，这一部分的代码如下：
with tf.variable_scope('q_eval'):
a_indices = tf.stack([tf.range(tf.shape(self.a)[0], dtype=tf.int32), self.a], axis=1)
# 用indices从张量params得到新张量
# 这里self.q_eval是batch * action_number,a_indices是batch * 1，也就是说选择当前估计每个动作的Q值
self.q_eval_wrt_a = tf.gather_nd(params=self.q_eval, indices=a_indices)
第一部分的R我们是已经得到了的，剩下的就是根据贪心策略选择N个输出中最大的一个即可：
with tf.variable_scope('q_target'):
q_target = self.r + self.gamma * tf.reduce_max(self.q_next,axis=1,name='Qmax_s_')
# 一个节点被 stop之后，这个节点上的梯度，就无法再向前BP了
self.q_target = tf.stop_gradient(q_target)
接下来，我们就可以定义我们的损失函数并选择优化器进行优化：
with tf.variable_scope('loss'):
self.loss = tf.reduce_mean(tf.squared_difference(self.q_target,self.q_eval_wrt_a,name='TD_error'))
with tf.variable_scope('train'):
self._train_op = tf.train.RMSPropOptimizer(self.lr).minimize(self.loss)
网络的训练
每隔一定的步数，我们就要将eval_net中的参数复制到target_net中，同时我们要从经验池中选择batch大小的数据输入到网络中进行训练。
def learn(self):
if self.learn_step_counter % self.replace_target_iter == 0:
self.sess.run(self.target_replace_op)
print('\ntarget_params_replaced\n')
if self.memory_counter > self.memory_size:
sample_index = np.random.choice(self.memory_size,size=self.batch_size)
else:
sample_index = np.random.choice(self.memory_counter,size = self.batch_size)
batch_memory = self.memory[sample_index,:]
_,cost = self.sess.run(
[self._train_op,self.loss],
feed_dict={
self.s:batch_memory[:,:self.n_features],
self.a:batch_memory[:,self.n_features],
self.r:batch_memory[:,self.n_features+1],
self.s_:batch_memory[:,-self.n_features:]
}
)