2022暑假强化学习记录

前言

强化学习可以来帮助我们进行辅助决策，例如根据当前的游戏场景，自动帮我们"按下"相应按键自个儿玩游戏。例如让AI从头自学开车(基于Deep-Q-Learning强化学习)
个人觉得强化学习的基础稍微需要靠一点数学。
本文章是学习俞勇《动手学强化学习》这本书的记录。
github代码链接: https://github.com/boyu-ai/Hands-on-RL
课程链接: 伯禹学习平台-动手学强化学习

另外，我觉得还可以看看这个强化学习第一节（RL基本概念+工具+基本算法等接下来的一系列教程, 例如后面的DQN算法部分讲得似乎很详细。
看完文末代码实践的例子后，推荐看看这篇我另外一篇博客强化学习_蒙特卡罗与时序差分(Sarsa/Q-Learning)例子

另外，这本蘑菇书也不错蘑菇书EasyRL, 想配套的github链接: datawhalechina/easy-rl

其他推荐

可以看看这个, https://github.com/kzl/decision-transformer

内容笔记

基础知识

强化学习简介

1.价值函数是对于 未来累积奖励 的预测，评估给定策略下状态的好坏。
2.基于模型的强化学习和 模型无关 的强化学习的根本区别在于学习过程中有没有环境模型。

探索与利用

1.在策略学习过程中，往往需要进行新策略探索与旧策略的利用, 以实现 尝试不同策略，以进行策略提升/提升对旧策略的评估能力。
2. ϵ-greedy算法 不具有 次线性收敛保证, 衰减ϵ-greedy算法 才具有次线性收敛保证

马尔科夫决策过程

1.马尔科夫决策过程(Markov decision process, MDP)可以由状态集合、动作集合、状态转移概率、折扣因子、奖励函数构成的五元组表示。
2.马尔科夫决策过程
数学特性：提供了一套结果部分随机、部分在决策者的控制下的决策过程建模的数学框架
状态的性质：从历史中捕获所有相关信息 ;
对于强化学习的意义：形式化地描述了一种强化学习的环境 ;
3.马尔科夫决策过程的当前状态是未来的充分统计量。
4.马尔科夫性质：当前状态可以完全表征过程。

基于动态规划的强化学习

1.价值迭代是贪心更新法
2.策略迭代中，用 Bellman等式 更新价值函数代价很大。
3.策略迭代更适合 空间较小 的马尔科夫决策过程, 价值迭代 更适合 空间较大 的马尔科夫决策过程。
4.MDP(马尔科夫决策过程)的目标是选择可以最大化 累积奖励期望 的动作。
5.达成MDP目标的方法是可以对 最优价值函数 和 最优策略 执行迭代更新。
6.价值迭代使用 Bellman等式对价值函数进行迭代更新
$R(s)+max_{\alpha \in A \gamma} \sum_{s'\in S}P_{s\alpha }(s')V(s')$

基于模型的强化学习

学习一个MDP模型主要是学习 状态转移概率 和 奖励函数。
2.从经验中直接学习价值函数和策略叫做 模型无关 的强化学习。(注意，这里的模型指的是环境，在强化学习中，负责决策的一般叫智能体agent)

蒙特卡洛价值预测

1.蒙特卡洛策略评估使用 经验平均累计 奖励
2.蒙特卡洛是一种 off-line 的方法，它的更新策略:
$V(S_t) = V(S_t)+\alpha (G_t^{(n)}-V(S_t))$

模型无关控制方法

1.ϵ贪心策略探索中，以 1-ϵ 的概率选择 贪心策略, ϵ 的概率随机选择策略。
2.时序差分学习是 在线策略 算法、可以基于 不完整 的序列进行、具有更低的方差、有偏估计的特点。
3.模型无关的强化学习可以被分为两类，在线策略学习和 离线策略学习。

重要性采样

1.离线策略蒙特卡洛根据两个策略之间的 重要性比 对累计奖励 $G_t$ 加权

时序差分

1.时序差分方法直接从经验片段中进行学习、结合了 动态规划 与 蒙特卡洛 方法的思想、能够从不完整的序列中学习、方差小但有偏差。Sarse算法和Q-Learning算法都属于时序差分算法。
2.时序差分的目标是 $R_{t+1}+\gamma V(S_{t+1})$ .
3.蒙特卡洛必须等 片段结束，直到累计奖励已知、只能从完整序列 中学习、只能在 片段化有终止 的环境下工作、具有 高方差 但 无偏差 的特点。
4.时序差分的目标 $R_{t+1} + \gamma V(S_{t+1})$ 是 $V^\pi (S_t)$ 的有偏估计，而时序差分的真实目标 $R_{t+1} + \gamma V^\pi (S_{t+1})$ 才是 $V^\pi (S_t)$ 的无偏估计。
5.时序差分算法是一种 on-line方法，它的更新：
$V(S_t) = V(S_t)+\alpha (R_{t+1}+\gamma V(S_{t+1})-V(S_t))$

Sarsa算法

1.SARSA是一种 在线策略（on-policy）算法, SARSA算法中的两个“A”都是由当前策略选择的。
2.SARSA算法通常使用 ϵ-贪心 策略进行策略评估和改进。
3. SARSA算法更新:
$Q(S_t, A_t) = Q(S_t, A_t) + \alpha[R_{t+1}+\gamma Q(S_{t+1}, A_{t+1})-Q(S_t, A_t)]$

Q-learning

1.Q学习是一种 离线策略 学习方法，探索策略与优化策略不是同一个。
2.Q学习 不需要重要性采样 ，采用 多步自助法 时需要。
3.Q学习算法更新:
$Q(S_t, A_t) = Q(S_t, A_t) + \alpha[R_{t+1}+\gamma max_\alpha Q(S_{t+1}, \alpha)-Q(S_t, A_t)]$

价值函数近似算法

1.在更新状态值函数近似的参数θ时， $\theta -> \theta+\alpha(V^\pi (s)-V_{\theta}(s))x(s)$ ,其中 $\alpha$ 表示步长, $V^\pi (s)-V_{\theta}(s)$ 表示预测误差, $x (s)$ 表示特征值。

深度强化学习

深度强化学习简介

1.深度强化学习的思想是直接使用深度神经网络建立价值和策略近似函数
2.深度强化学习可以分类为基于价值的方法、基于 随机策略 的方法和基于 确定性策略 的方法，其中基于确定性策略的方法包括了 确定性策略梯度（DPG）和 深度确定性策略梯度（DDPG）。

DQN

1.利用 神经网络 去预测 当前状态下的Q函数。通过输出层神经元最大的Q函数值选择相应的action。
2.特点:
(1).分为policy network和target network, 让训练更稳定
(2).replay memory, 可以提高数据使用率，减少样本间的相关性，减轻单一序列导致的波动，稳定训练效果。

截图来自: 强化学习第五节（DQN）

45:59时刻

1:00:21时刻

代码实战例子

蛇棋

代码讲解bilibili
代码来源: desny/snake_and_ladders

引入一些库

import numpy as np
import gym
from gym.spaces import Discrete

from contextlib import contextmanager
import time

@contextmanager
def timer(name):
    start = time.time()
    yield
    end = time.time()
    print('{} COST:{}'.format(name, end-start))

构建蛇棋环境

Discrete是 gym库中一个类。
Discrete(2) # {0, 1}
Discrete(3, start=-1) # {-1, 0, 1}

class SnakeEnv(gym.Env):
    SIZE=100
    
    def __init__(self, ladder_num, dices):
        self.ladder_num = ladder_num
        self.dices = dices
        self.observation_space = Discrete(self.SIZE+1)
        self.action_space = Discrete(len(dices))
        
        if ladder_num == 0:
            self.ladders = {0:0}
        else:
            # 处理梯子值，让梯子的数值无重复地反向赋值
            ladders = set(np.random.randint(1, self.SIZE, size=self.ladder_num*2))
            while len(ladders) < self.ladder_num*2:
                ladders.add(np.random.randint(1, self.SIZE))

            ladders = list(ladders)
            ladders = np.array(ladders)
            np.random.shuffle(ladders)
            ladders = ladders.reshape((self.ladder_num,2))

            re_ladders = list()
            for i in ladders:
                re_ladders.append([i[1],i[0]])

            re_ladders = np.array(re_ladders)
            # dict()可以把nx2维数组转化为字典形式
            self.ladders = dict(np.append(re_ladders, ladders, axis=0))
        print(f'ladders info:{self.ladders} dice ranges:{self.dices}')
        self.pos = 1
        
    def reset(self):
        self.pos = 1
        return self.pos
    
    def step(self, a):
        step = np.random.randint(1, self.dices[a]+1)
        self.pos += step
        if self.pos == 100:
            return 100, 100, 1, {}
        elif self.pos > 100:
            self.pos = 200 - self.pos
            
        if self.pos in self.ladders:
            self.pos = self.ladders[self.pos]
        return self.pos, -1, 0, {}
    
    def reward(self, s):
        if s == 100:
            return 100
        else:
            return -1
    
    # 无渲染
    def render(self):
        pass

构建智能体

主要是奖励r, 策略pi, 转移概率p

class TableAgent(object):
    def __init__(self, env):
        self.s_len = env.observation_space.n
        self.a_len = env.action_space.n
        
        self.r = [env.reward(s) for s in range(0, self.s_len)]
        # 确定性策略
        self.pi = np.zeros(self.s_len, dtype=int)
        # A x S x S
        self.p = np.zeros([self.a_len, self.s_len, self.s_len], dtype=float)
        
        # 函数参数向量化，参数可以传入列表
        ladder_move = np.vectorize(lambda x: env.ladders[x] if x in env.ladders else x)
        
        # based-model 初始化表格所有位置的概率p[A,S,S]
        for i, dice in enumerate(env.dices):
            prob = 1.0 / dice
            for src in range(1, 100):
                # 因为arange只给一个数字的时候，是从0开始取到end-1，所以在此处+1
                step = np.arange(dice) + 1
                step += src
                step = np.piecewise(step, [step>100, step<=100], [lambda x: 200-x, lambda x: x])
                step = ladder_move(step)
                for dst in step:
                    # 在当前位置pos=src的情况下，采取i投掷色子的方式，得到最终位置dst
                    # 概率直接求和的方式是否合理？
                    self.p[i, src, dst] += prob
        
        # 因为src最多到99，所以p[:, 100, 100]是0，此处进行填补
        self.p[:, 100, 100] = 1
        self.value_pi = np.zeros((self.s_len))
        self.value_q = np.zeros((self.s_len, self.a_len))
        self.gamma = 0.8
        
        
    def play(self, state):
        return self.pi[state]

策略评估(通过计算reward)

def eval_game(env, agent):
    state = env.reset()
    total_reward = 0
    state_action = []
    
    while True:
        act = agent.play(state)
        state_action.append((state,act))
        state, reward, done, _ = env.step(act)
        total_reward += reward
        if done:
            break
    
    return total_reward, state_action

算法部分，这里实现三种迭代算法，分别是策略迭代算法、价值迭算法和泛化迭代算法。

策略迭代算法

注意:图片来源于网上，仅用于学习，请勿恶意传播。截图来源: https://www.bilibili.com/video/BV1VY411W7Mm/?p=2

class PolicyIteration(object):
    
    dice = [3,6]
    
    def policy_evaluation(self, agent, max_iter=-1):
        iteration = 0
        while True:
            iteration += 1
            new_value_pi = agent.value_pi.copy()
            # 遍历所有的state 1~100  (s.len=101)
            for i in range(1, agent.s_len):
                ac = agent.pi[i]
                
                for j in range(0, agent.a_len):
                    # 选择确定性策略的action
                    if ac != j:
                        continue
                    transition = agent.p[ac, i, :]
                    value_sa = np.dot(transition, agent.r + agent.gamma * agent.value_pi)
                    # 放在j循环外部会报错:UnboundLocalError 因为跳过action无法算value_sa的值。
                    # 未求得value_sa就用该值就会报错(UnboundLocalError)
                    new_value_pi[i] = value_sa
            
            diff = np.sqrt(np.sum(np.power(agent.value_pi - new_value_pi, 2)))
            # 判断是否收敛
            if diff < 1e-6:
                print('policy evaluation proceed {} iters.'.format(iteration))
                break
            else:
                agent.value_pi = new_value_pi
            if iteration == max_iter:
                print('policy evaluation proceed {} iters.'.format(iteration))
                break
    
    
    def policy_improvement(self, agent):
        new_policy = np.zeros_like(agent.pi)
        for i in range(1, agent.s_len):
            for j in range(0, agent.a_len):
                transition = agent.p[j, i, :]
                agent.value_q[i,j] = np.dot(transition, agent.r + agent.gamma * agent.value_pi)
            # update policy
            max_act = np.argmax(agent.value_q[i,:])
            # 选择使value_q最大的action
            new_policy[i] = max_act
        
        # 如果没有更新（新策略和旧策略一致），返回False；如果不相等就赋值新策略/优化策略后，返回True
        if np.all(np.equal(new_policy, agent.pi)):
            return False
        else:
            agent.pi = new_policy
            return True
    
    
    def policy_iteration(self, agent, max_iter=-1):
        iteration = 0
        with timer('Timer PolicyIter'):
            while True:
                iteration += 1
                with timer('Timer PolicyEval'):
                    # 通过迭代求得agent.value_pi 准确估计值函数
                    self.policy_evaluation(agent, max_iter)
                with timer('Timer PolicyImprove'):
                    # 获得最优策略
                    ret = self.policy_improvement(agent)
                if not ret:
                    break
        print('Iter {} rounds converge'.format(iteration))

运行策略迭代的函数(就是上述实现的策略迭代算法)。

def policy_iteration_demo(env):
    agent = TableAgent(env)
    pi_algo = PolicyIteration()
    pi_algo.policy_iteration(agent)
    print('agent.pi={}'.format(agent.pi))
    total_reward, state_action = eval_game(env, agent)
    print('total_reward={0}, state_action={1}'.format(total_reward, state_action))

价值迭代算法