深度强化学习复习摘要
离散动作空间
策略迭代：
由于环境转移概率已知，所以先初始化一种策略，以此策略为基础，利用利用贝尔曼方程迭代求解，让V收敛。这个过程叫策略评估。（注意，贝尔曼方程里的pi(a|s)为固定值，因为策略已经更新了）。
然后根据算好的V，P(s|s,a)[r+gamma*V]这样就计算得到了Q(s,a), 然后从中选取让Q最大的a，固定为策略。这个过程叫策略提升。
反复来回，就叫策略迭代。
N轮策略迭代
意思就是，在迭代过程中，不要求策略评估收敛，只让它迭代固定次数。甚至是1都可以。对于是1 的情况，策略在达到最优之前，价值都不会收敛，所以接近价值迭代。
价值迭代：
不涉及策略，在计算的时候，把不同的策略通通算一遍，选出那个最大的Q来，更新为价值V。在最后收敛完成以后，再根据贝尔曼方程，计算选出最大的Q(s,a)的a来，作为策略。
（价值迭代的速度小于1轮策略迭代，但是比策略迭代的速度块）
广义策略迭代：
在优化的前几轮进行策略迭代，然后进行价值迭代。
蒙特卡罗方法：
不知道环境的状态转移概率的时候，那就必须通过采样才可以。说白了就是希望通过大量采样的方式，更新出q(s,a)来。主要就是依赖剩余时刻的累积reward之和的一个期望，通过大数定理希望采样来估计均值。
那么做法就是倒着算，从结尾开始，一路倒着把reward累加，最后保存到对应的q(s,a)这里。不过这只是一轮的结果。下一轮用其他采样序列又倒着算，又算到这里的时候，通过增量平均的形式，这一时刻的均值=上一时刻的均值+1/N（这一时刻的采样值 - 上一时刻的均值），来不断更新q(s,a)，使得q越来越接近真实的期望。
分析：如果所有的都被经历过，蒙特卡罗方法就能很好估计。但是，现实可能并不完美，有些就是很难经历到，缺乏数据，导致估计的不够准确。所以要么就从所有的起点出发采样一遍，要么就采取ε-greedy策略，使得采样数据尽可能的均匀一些，有一定机率能去没去过的地方。
然而蒙特卡洛法估计的方差有一点大，例如在一次采样的同一状态，重复的到达，这个q(s,a)就会被一直更新来更新去，也就是every_visit。所以可以换成first_visit，只统计第一次出现的长期回报。这样的做法可以减小方差，但是效果有限。
为了减小方差，就引入里时序差分法，TD法。
蒙特卡洛法是根据reward反向计算，算出某个q(s,a)，然后和原来的q(s,a)用增量平均的形式融合到一起去。
时序差分法是利用相邻时刻的去更新，新的q(s,a)就不再是反向求和起来，而是r(s')和之后的状态的q(s',a')求和，然后把这个作为采样值，和保存的q(s,a)的均值进行增量平均，更新均值。
具体在SARSA和Q-learning在这二者的区别上，SARSA在算新的q(s,a)时，之后的状态是s'，就用真实的采样数据的a'，进行更新。这样方差就相比蒙特卡洛小了，但是误差会大一点。这个就是On-policy。
但是Q-learning，在计算q(s,a)的时候，不是用的真实后续s'时刻采取的动作a'，它用的是q(s',a)里面最大的那个a的值。因为认为后续那个状态里最大的a才能代表q(s,a)的真实的值。这个就是Off-policy。不过可能造成“过高估计”，采样到比较少的地方，就无法“过高估计”，导致产生较大的差距。
分析：如何区分Off-policy和On-policy？上面的说法是一种，更准确的评估方法是，看行动和评估策略是否一致。对于SARSA来说，都是ε-greedy策略。而对Q-learning来说，行动是ε-greedy策略，评估却是贪婪策略。
DQN系列
就是用网络（而不是表格） 来拟合Q函数。
2013版本DQN就只有1个网络，2015版DQN就有俩网络，一个是target网络。target用来暂存参数，就是说我们从target网络中选取让q(s',a)最大的那个a'，在target中取q(s',a')，用来更新当前网络，一段时间后再赋值给target网络。
Double_dqn的区别在于，在更新时，在当前网络中选取最大的a，然后把这个a送到target网络中得到Q，更新当前网络。 二者都是从target网络中选取q，但是DQN是从target网络中选a，Double_dqn从当前网络中选a。这个目的是缓解过高估计。（过高估计是因为选择最优行动和计算目标价值使用了相同的参数，所以我们把二者分开）
DQN系列细节
replay buffer：缓存数据，满了以后，就新的来了丢掉旧的。
priority replay buffer： 让有价值的样本频繁出现。所以就用TD-error作为衡量指标，TD-error越高，出现的概率越高。但由于随着参数的更新，TD-error也会变的，所以，希望低Td-error的样本也能出现，所以给td-error弄一个指数，让指数小于1，实现衰减：
即
， 不过这样会让更新变的有偏。
为了让更新变的无偏，此外还可以准备一个
, 从小于1慢慢变到1，给样本填加权重，
,顺便除以最大的，进行归一化。这样加在损失函数上，原先是
![\frac{1}{m}\sum _1^{m}[y-Q]^2](http://img.e-com-net.com/image/info8/620847d76dff48ff907dc305a4edee79.gif)
,现在变为![\frac{1}{m}\sum _1^{m}w_j[y-Q]^2](http://img.e-com-net.com/image/info8/df07311c276f4c5996af8b298be71cb5.gif)
。可以发现，被采样的概率越大，这个权重就越小，作用在损失函数上的比例就越小。这样最后随着的更新，当为1的时候，就完全抵消掉priority replay buffer的作用了。
总结：相当于，让更新过程先着重采样Td-error大的那些样本，然后在损失函数那里，逐渐让这些样本占的权重变小，最后让更新从有偏慢慢变得无偏。（前期有偏是因为想快速学习）
Dueling DQN：
在网络上给了更新，网络最后显式的分成了两个输出，一个V，一个A，加起来才是q。Q=V+A。作为优势函数，希望它的均值是0，也就是说不同的q，代表同一个s下采取不同的动作，有的好，有的坏，这个好坏程度就是A，是在V的基础上体现出来的。
另外由于同一个q，有很多V和A组合，都可能得到它，这样就体现不出人为希望V和A具有的实际含义。所以加一个限制，对A减去当前状态下所有A的均值或最大值。例如，当前状态很好，怎样走都很好，那么Q就接近于V，A就接近于均值或者最大值。
最后的效果上，A只对行动相关的内容比较敏感。
DQN冷启动问题：
提高初期学习效率。
1.模仿优质采样轨迹，用监督学习预训练。
2.用多个目标函数：DQN目标函数；N步回报法目标函数（类似结合了N步的蒙特卡洛，再加TD-error），监督学习目标函数，L2正则化目标函数（避免过拟合）。
（注：L1是模型各个参数的绝对值之和。L2是模型各个参数的平方和的开方值。
L1会趋向于产生少量的特征，而其他的特征都是0。因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0 ，产生稀疏权重矩阵。
L2会选择更多的特征，这些特征都会接近于0。 最优的参数值很小概率出现在坐标轴上，因此每一维的参数都不会是0。当最小化||w||时，就会使每一项趋近于0。参数更平滑
这样让模型更简单，减少过拟合。）
Distributional DQN：
这个相当于输出的不是q(s,a)的期望值，而是输出一个分布。即通过softmax输出每一个价值采样点的概率，用概率拟合分布。
那么对应的gt值，是通过公式计算的价值点，（但可能是不对齐的）然后根据距离投影，对齐到网络的输出（原始采样点）上，进行Cross entropy Loss更新。
总结：把模型的输出从计算价值期望改成了计算价值分布。
Noisy Network：另外一种增加探索能力的方法，在参数上增加噪声。
Rainbow：混合了各种思路，把各种网络的特性融合在了一起。
基于策略梯度的算法
策略梯度就是希望轨迹的期望回报最大，也就是它最大：
所以要对它求导，一顿化简，它的导数就化简成了这样：
里面的π（r）对θ求导，一番操作以后，去掉无关的，最后结果就是：
所以求解梯度的最终形式就是：
所以说想让累积回报最大，就是求上面的这个梯度，并且更新参数。
和监督学习的关系：
监督学习，用最大似然，然后求解梯度：
可以看出，RL的策略梯度方法，就是和监督学习，差了一个后面的累积回报。相当于最大似然法把累积回报设定为1，而策略梯度法用序列的回报当作样本的加权权重。
回到策略梯度问题上来，对原先的式子减去一个baseline，是因为区分出正负，让好的策略增大，坏的策略减小。所以再减去一个b，把b设置为均值。
那么整体把r-b当成Adv，那么在实际的计算中，就可以用TD-error的形式，把b用v(s)，也就是critic网络的值来代替，r就是采样序列中的
反推累加回去来计算。
A2C就是每个线程各自仿真收集数据，然后把数据合在一起更新。A3C是各个线程各自完成参数更新，最后进行融合。
另外，上面的公式，是梯度的表达式，算出梯度以后，进行梯度上升，就能使原函数变大，使得期望变大。
那么原损失函数是什么？原函数的log π(a|s)之前不含有导数符号，因为上面的表达式是导数，不是原函数
策略Loss： 
价值Loss：V(s)和累积反推回去的reward的L2损失
熵Loss：对 π(a|s)求交叉熵，再求负，希望交叉熵足够大，这样模型不确定性高，就会有各种可能。（网络要输出log π(a|s)，也就是pi，还要输出v）。比如策略loss中，两个相乘就是这俩相乘。
TRPO：
这个很复杂，这个的思路就是希望新旧策略的差距始终是正的，这样就能保证策略单调非递减的慢慢变好。为了方便计算，用旧策略的概率代替新策略的概率，所以要限制两个策略的距离，所以用KL散度约束。然后用Fisher信息矩阵近似代替KL散度的二阶导数，用自然梯度法去求解。（自然梯度法的概念，是把原先“参数的更新量进行限制”替换成“模型的距离（模型效果）进行限制”。而KL散度不好算，所以用fisher矩阵代替。
步骤很复杂，第一步，计算目标函数梯度 （和PPO其实差不多）
第二步以后，用共轭梯度法求解更新方向，步长，步长上限等……
总之，是希望用旧策略的采样代替新策略的分布，但是发现在一定的区间内才可以。相对PPO是在概率的结果上限制比率，TRPO是在参数上限制。把KL的散度的限制加入到了目标函数中。并用共轭梯度法求解，求方向和步长，并且对其进行限定，即所谓“置信区间”。
GAE：
这个看最后的式子，直观上感觉不好理解。这是因为那个式子是经过了推导得到的。相当于统计了多步的td-error，加入了一个参数λ，它为0的时候，等同于计算Td-drror，它为1的时候，变成了蒙特卡洛目标值 和 价值估计的差。用它来折中，计算结果作为优势函数。
蒙特卡罗的问题在于方差大，而偏差低；
Td-error的问题在于方差小，可偏差高。
这个做法使得二者可以通过系数来折中。
在最上面的策略梯度导数的那个公式那里，（也就是一路把reward累加反推，和V相减，得到Adv的那种做法，其实就相当于是蒙特卡洛，λ=1的情况。
所以其实，Critic值就是优化的是Adv，而Actor，Adv是通过参数传入的，优化的是log π(a|s)。
GAE在实现上可以用倒序计算，
PPO：
TRPO的问题定义是：
然而它不好计算，所以想用蒙特卡洛法来近似，结果就是：
其中old相关的东西都不参与梯度回传，在tensorflow里面都是用placeholder传入的。
TRPO的做法是，对每一轮的优化划定置信区域，而PPO就是直接限制二者的比率，加上双保险：第一轮是限制在[1-ε，1+ε]内，第二轮限制是，选min函数，让clip以后的比率乘以A， 和原始的比率乘以A中再选一个小的数字。（相当于用这种方式来确保算法能达到TRPO的效果）
又或者通过KL散度的做法， 
上面减去KL散度，那么如果KL距离大，这个目标函数就会变小。（而目前是希望目标函数max的）。
那么β就是一个系数，如果KL散度小于阈值，β就/2，缩小，放松KL约束限制。否则增强KL散度限制。
注意：之所以有新概率/旧概率，是因为重要性采样。
求期望，原本是
A(x)就是优势函数，这个已经不能变了，是TD-error，p理解为新的模型，q理解为旧的模型。
问题：看样子是想让td-error变大？？ 这个不是误差吗，不应该是变小吗？
回顾：本来是希望从新的模型里采样，让累积reward最大。为了落到正负区域，所以减去一个均值，就是A。
A可以采取很多种形式，TD-error是其中一种。
注意，这里不要和Q-learning相关的混淆，在Q-learning相关内容中，Td-error是要最小，因为模型想分析Q函数。所以用时间差分，把td-error作为误差，使得Q网络分析环境尽可能准确。
而在这里，并不是用的时间差分法。Critic本质上就是对当前s状态下，以后累积reward的均值估计。那么实际采集到的reward，和Critic的输出值，相减才作为td-error。
Actor之所以想让td-error尽可能的大，就是因为在critic固定的情况下，希望尽可能的超过期望。有点GAN网络的意思。
复习的时候好好读一下这段话来理解！
那PPO到底是On-policy还是Off-policy的？
对于第一轮参数更新来说，此时两个网络一模一样，数据也是它采集的，也是它更新的，那毫无疑问就是on-policy的。
对于第二轮参数更新来说，网络不再一样了，可以说是off-policy的。但是，新网络并没有直接根据旧网络的数据来更新自己，而是经过了重要性采样，所以，在这种程度上来说的话，它仍然是on-policy的。
SAC：soft actor critic：
概念就是把熵也加入到奖励函数中，让算法有一定的探索性。
Off-policy 策略梯度法
retrace：
retrace是一种方法，基于重要性采样，
它的作用就是扩展td-error到多步的形式，有点类似GAE，另外还能使用旧数据，避免on-policy要丢掉用过的数据。
以上面的公式为例，cs就是新旧策略的比值，当比值为1，t=0的时候（相当于第一轮），RQ就化简成了TD-error：
所以cs那里连乘，是时间维度上连乘，相当于是每一轮迭代，都能把新旧策略的比值保存下来，以后再用（不像PPO那种，其实就一次，之后就全扔了）。
此外，还限制cs不能超过1。这个作用是限定新旧策略比值，减小重要性采样带来的不稳定性。
ACER：
这一章的内容比较复杂，我也没有什么实践，所以记个大概好了。
ACER的目标是解决on-policy算法样本利用效率低的问题 。
也用replay buffer，但是采样是有顺序的。它的目标是：最大化从交互样本的每一状态出发的长期回报。
流程是：先用On-policy的优化，用当前策略和环境交互采集样本；然后采用off-policy的优化，用保存起来的样本训练。所以replay buffer还要额外保存行动的概率值。retrace则是通过这里的概率值，来计算出一个“考虑了重要性采样”的类似“td-error”，用来更新actor网络。
上面这个公式是经过推导得到的，第一项是off-policy的计算，第二项是on-policy部分的计算。第一项是“截断的重要性采样”，限制比率上限，让模型不要太大波动。第二项则是“偏差纠正项”，保证算法是无偏的。作用就是让算法在偏差和方差之间进行了平衡。
c代表着第一项的比率，式子中当C->∞时，相当于使用retrace的off-policy策略梯度更新，当c=0时，相当于Actor-Critic更新，当c不为0的时候相当于介于off-policy和on-policy之间的更新。
这个算法无论理论还是求解过程都比较复杂，应该不会问。
DPG：确定性策略梯度
之前的策略优化可以叫 随机性策略梯度。DPG仍然是对轨迹价值进行求导，但是，它要得到一个确定的行动，而不是PPO那种从概率分布里采样的方式。不采样，但是用ε-greedy方式增加噪声。
DPG就只是这一种思想，化到DDPG上，那就是：先把状态输入到动作网络μ中，然后再把输出的动作和状态一起送入到Q网络中。
这套网络也同样有两个，一个作为target。（每个网络里有两个子网络）
那么动作网络这里涉及到的梯度，就是链式求导，从Q网络的结果那里，求q网络对于输出action的导数，然后action再对输入state的导数，这样来更新μ网络。目标函数则是找到一个好的action，使q大，即目标函数是为了最大化q。
而Q网络则正常使用DQN那种td-error的方法来更新。更新的时候，也是把state输入target网络，输出的结果作为gt值，更新当前网络。
(相当于，DQN那一套，是更新Q网络，输出不同动作的值。在执行的时候，选最大的那个Q。而这里则是把动作和状态一起塞给了Q，借助Q更新的准确，使得动作网络μ也准确，最后可以直接生成一个好的动作。）
另外要注意：
1.更新的时候不是一下子对目标网络赋值，而是很大程度上保留目标网络，只用当前行动网络的参数给它更新一点点。
2.在噪声上，加了一种叫Ornstein-Uhlenbeck噪声。
μ当成网络输出，也作为随机变量的期望。其他的都是参数，W是一个随机函数。真正的采样值，是上一时刻的采样值加上变化量。
其他强化学习算法
稀疏回报的求解方法：
一：层次强化学习：使用元控制器和控制器，由元控制器提供小目标，控制器去努力执行元控制器提供的小目标。例如，在游戏里，元控制器选定小目标区域，使用mask作为单独的通道叠加到图像输入中，再用控制器进行执行。
二：HER，hindsight experience replay，事后诸葛亮。渐进式学习的概念。通过某个操作得到了状态A，那么就保留这个记忆，让模型先学会怎么得到A。相当于逐渐设定可行的目标，让学习难度逐渐平滑。做法就是在replay buffer中，设定一定的概率，将它的目标从原定的目标，换成其他容易实现的目标。
Model-based 方法：
AlphaZero：
在下棋问题上，根据策略计算出有价值的N个招法，相当于裁剪树的宽度；
然后使用价值模型，在深度上进行限制。
MCTS：蒙特卡洛搜索树：
先去选择，根据UCBI（upper confidence bound for tree）的做法，选出价值大或者很少出现的节点（这样来平衡利用和探索）
扩展：根据选择好的节点进行扩展；
模拟：模拟双方招式；
回传：把结果回传给父节点，更新估计值。
所以对于AlphaZero就是三点特征：自我对弈，深层模型，还有一个新旧模型对决（如果新模型下不过旧模型那就不要新模型）
iLQR（iterative linear quadratic regulator）迭代线性二次调节器：这个知识比较老，有点看不懂，大致意思就是通过依时间迭代计算的方式对控制类问题规划求解。
反向强化学习：
如果状态空间有限，最优策略也已经知道，那就无需采样，可以用表格式的方式，直接求解，方式是线性规划。（线性规划的限定里，同时要求某个策略和最优策略接近，但其reward映射还要足够远）
线性规划步骤：
（1）列出约束条件及目标函数
（2）画出约束条件所表示的可行域
（3）在可行域内求目标函数的最优解及最优值
总结就是，先选出和最优策略差距最小的策略，然后使得这两个很相似的策略，在reward上差距变大。
如果状态空间无限大，最优策略知道，那么不能用表格式的方式，就需要通过一个映射函数，把状态映射到低维空间。然后用线性的方式，把状态映射到reward。
为什么要用线性方式映射？是为了后续可以把值函数V也通过线性的方式结合起来，继续用线性规划的方式求解。
如果最优策略不知道，只有最优策略的样本：这种情况就没有次优策略了，让一个随机策略出发采样得到行动轨迹，用之前的做法，计算reward，再用reward进行训练提升策略，迭代进行。
最大熵模型：要求策略的轨迹特征积累量的期望和专家的相等，但又要让熵足够大，从而区别不同的策略。
指数家族，可以把各种指数的分布映射到一个固定的格式。这个的做法让概率分布的期望和方差有了另一种，可能会更简便的计算方法。
GAIL：
其实就是在GAN网络的基础上加上了模仿学习，让评判模型来区分策略模型是专家做法还是自身做法，策略模型就用TRPO算法进行提升，把评判模型的输出作为奖励值。（那么这种做法就不需要学习reward）
其他：例如，在样本选取中，有一定概率选取专家的样本，这也是一种模仿学习，或者示教学习。
纳什均衡是博弈论中一种解的概念，它是指满足下面性质的策略组合：任何一位玩家在此策略组合下单方面改变自己的策略（其他玩家策略不变）都不会提高自身的收益。
V-trace和Retrace类似，只不过Retrace估计的是Q函数，这里估计的是V函数，因此叫V-trace。
IMPALA：Importances Weighted Actor-Learner Architectures，相比于A3C和batched A2C，具有更好的高性能计算性能。Actor和Learner各干各的，谁都不要等谁。Actor们（不只一个）不断地将采到的样本放到Replay Buffer里，并周期性地从Learner那拿到最新的参数。Learner不断地从Replay Buffer里拿样本过来训练自己的参数。要达到这样的目的，也只有off-policy的方法可以这么干了。而如果是on-policy的方法就要遵循：Actor放样本到buffer->Learner取样本训练参数->Actor取最新的参数->Actor执行动作收集样本->Actor放样本到buffer，这个过程按顺序来的，无法并行。