【深度强化学习】1. 基础部分

强化学习纲要-基础部分

【DataWhale打卡】第一天：学习周博磊讲的强化学习结合《深入理解AutoML和AutoDL》这本书中的强化学习的章节总结了基础部分。

参考资料：https://github.com/zhoubolei/introRL

先导课程：线性代数、概率论、机器学习/数据挖掘/深度学习/模式识别

编程基础：Python, PyTorch

强化学习应用案例

• alpha-go、alpha-zero围棋战胜李世石。
• 王者荣耀 绝悟AI 就是强化学习技术应用在MOBA游戏的一个典型例子。
• 可以将股票的买卖看作强化学习问题，如何操作能让收益极大化。
• Atari等电脑游戏。
• 机器人，比如如何让机械臂自己学会给一个杯子中倒水、抓取物体。
• DeepMind让Agent学习走路。
• 训练机械臂通过手指转魔方。
• 训练Agent穿衣服。

强化学习在做什么？

强化学习和监督学习有很大的区别：

1. 监督学习需要提供数据和对应的标签，训练数据和测试数据是独立同分布的，从而进行模式和特征的学习。

2. 强化学习不同，强化学习没有直接的标签进行指导，并且数据不是独立同分布的，前后数据有比较强的关系。强化学习可以在环境中进行探索和试错，根据实验的结果提取经验，从而学习到最佳策略。

	监督学习	无监督学习	强化学习
输出值	标签	无	奖励值
标签/奖励	人类提供标注	无标签	延迟奖励
经验	无	无	有
损失值	有	无	无
输入	独立同分布	独立同分布	前后依赖

强化学习的目标是训练一个agent，能够在不同的情况做出最佳的action，从而让系统给出的reward值最大化。

流程如下：agent会观察环境得到observation，然会采取一个action，环境受到这个action的作用，会反馈给agent一个reward，同时环境给出的observation也发生了改变。循环往复，agent目标是为了从环境中获得最高reward奖励。

存在两大主体，智能体Agent和环境Environment，整个过程是序列化的：
$$S_t-A_t-R_t-S_{t+1}-A_{t+1}-R_{t+1}-S_{t+2}\dots$$
智能体目标就是最大化奖励函数 $$G_t$$:
$$G_t=R_{t+1}+\gamma R_{t+2}+{\gamma }^2{R}_{t+3}+\cdots =\sum _{k=0}^{\infty }{\gamma }^k{R}_{t+k+1}$$
也就是说当前时序为t的时候，最大化奖励函数就是从当前一直到最后一个状态（完成一个episode）所获取的所有Reward。$\gamma$ 是一个0-1之间的数，叫做奖励衰减因子。如果等于0，代表这个Agent只考虑当前即时结果，不考虑目标长远。如果等于1，代表这个Agent考虑的是长远利益，放眼整体。

强化学习的特点：

• 输入的数据是序列化、前后有依赖的，并不是独立同分布的。
• 没有监督信息，每一步没有被告诉应该做什么。
• Trial-and-error exploration，exploration和exploitation之间的平衡：
  • exploration: 代表探索环境，尝试一些新的行为，这些行为有可能会带来巨大的收益，也可能减少收益。
  • exploitation: 就采取当前已知的可以获得最大收益的action。
• Reward Delay效应，当采取一个action以后，并不会立刻得到反馈，需要等待一段时间或者等结束之后才会有反馈。

基本要素

1. 环境的状态：用符号S表示，$S_t$代表t时刻下处于的某一个状态。
2. 个体的动作：用符号A表示，$A_t$代表t时刻个体采取的动作。
3. 环境的奖励：用符号R表示，$R_{t+1}$表示t时刻个体在$S_t$状态下，采取动作$A_t$得到的奖励。
4. 智能体agent策略：用符号$\pi$表示，agent会根据$\pi$表示的策略来选择动作。
5. 价值函数：用符号$V^{\pi }(s)$表示，agent在面临状态S的情况下，如果采用策略$\pi$后进行动作的价值，是一个期望函数。$$V^{\pi }(s)=E_{\pi }(R_{t+1}+\gamma R_{t+2}+{\gamma }^2{R}_{t+3}+...|S_t=s)$$
6. 奖励衰减因子：用符号$\gamma$来表示，是一个0-1之间的数，用于约束距离时间较远的reward所占的比重。

分类

1. 按照Agent有没有对环境建模来分类

强化学习主要分为动态规划、蒙特卡罗法、时序差分法。强化学习中，从一个状态s转化到另外一个状态s’不仅和当前状态s和动作a有关，还与之前的状态有关。但是考虑这么多状态会导致模型非常复杂，所以引入马尔可夫性来简化问题，也就是一个假设$H$, 即转化到下一个状态s‘的概率仅仅与当前的状态s有关，而和之前的状态没有关系。

解决马尔科夫决策过程有两个分类，见上图，需要解释的是Model-based方法和Model-Free方法。

Model-based方法代表这个问题中，必须能够获得环境的状态转化方程，需要对环境进行建模，比如在仿真环境中训练机械手臂。agent学习的模型可以提高对状态转移函数和奖励函数的估计的准确性。这样就可以通过动态规划算法求解。

有模型的强化学习方法可以对环境建模，使得该类方法具有独特魅力，即“想象能力”。在免模型学习中，智能体只能一步一步地采取策略，等待真实环境的反馈；而有模型学习可以在虚拟世界中预测出所有将要发生的事，并采取对自己最有利的策略。

Model-Free方法代表不需要对环境进行建模，只需要经验，也就是实际或者仿真的与环境进行交互的整个样本序列。免模型学习通常属于数据驱动型方法，需要大量的采样来估计状态、动作及奖励函数，从而优化动作策略。免模型学习的泛化性要优于有模型学习，原因是有模型学习算需要对真实环境进行建模，并且虚拟世界与真实环境之间可能还有差异，这限制了有模型学习算法的泛化性。

判断方法：在Agent执行动作前，看其能否对下一步的状态和回报做出预测，如果可以预测那就是model-based方法，如果不能，那就是model-free的方法。

Q: 有模型强化学习和免模型强化学习有什么区别？

A: 针对是否需要对真实环境建模，强化学习可以分为有模型学习和免模型学习。

• 有模型学习是指根据环境中的经验，构建一个虚拟世界，同时在真实环境和虚拟世界中学习；
• 免模型学习是指不对环境进行建模，直接与真实环境进行交互来学习到最优策略。

from: https://blog.csdn.net/ppp8300885/article/details/78524235

Q: Q-learning也是对下一步的状态和奖励在做预测吗？

A: 无模型的RL是不会显式对Reward function和transition function进行建模, Q-learning的Q值更新是用的: 当前返回的reward(真实值)+下一步状态Q值(这个是异策略估计的), 这个reward是执行完a动作后的真实值, 并不是自己拟合的reward function给出的. AlphaGo为啥是model-based, 因为他依赖蒙特卡罗树去估计棋局未来的演化(transition function)和赢率(reward function)

2. 按照Agent的决策方式来分类

从Agent的决策方式来看，可以分为三种：

• Value-Based方法中，Agent学习的目标是价值函数，隐式地学习了策略（因为策略是从价值函数中推算出来的），常见的算法有SARSA、Q-Learning
• Policy-Based方法中，Agent学习的目标就是策略，给一个状态s，直接求出输出动作地概率。策略可以分为两类：确定性策略和随即策略。常见算法就是策略梯度蒜贩。
• Actor-Critic方法中，结合了以上两种方法，将策略函数和价值函数都学习了，吸取了两者的优点。

一个常用的强化学习问题解决思路是，先学习环境如何工作，也就是了解环境工作的方式，即学习得到一个模型，然后利用这个模型进行规划。

时序决策过程

State和Observation并不是等价的概念：

引入历史的概念，历史是观测、行为、奖励的序列：
$$H_t=O_1,R_1,A_1,\dots ,A_{t-1},O_t,R_t$$
Agent采取的当前动作会依赖之前的历史，所以整个游戏的状态可以看做关于历史的函数：
$$S_t=f(H_t)$$
状态（state）s是对环境的整体描述，不会有其他隐藏的信息。观测（observation）o是状态的部分描述，可能会遗漏一些信息。

举个例子：在机器手臂抓杯子的案例中:

观测可以是通过摄像头得到的RGB像素值矩阵，来表示一个视觉的观测。

状态则是机器手臂每个关节的角度和速度的表示。

环境状态和智能体状态：
$$\begin{gathered} S_t^e=f^e(H_t) \\ {S}_t^a=f^a(H_t) \end{gathered}$$
当满足$O_t=S_t^a=S_t^e$的时候，称这种状态为Full Observability,agent可以观测环境的全部状态，也就是马尔可夫决策过程MDP。

同时也有Partial Observation, agent无法观测环境中的全部状态，只能看到部分状态比如说Atari游戏中只能观测到屏幕上的像素，无法获取小球位置（这个状态就不可见）。这种问题是部分可见的马尔可夫决策过程POMDP。

动作空间

不同的环境/游戏可以采取的动作不同。有效动作的集合经常被称为动作空间(action space)。像 Atari 和 Go 这样的环境有离散动作空间(discrete action spaces)

在其他环境，比如在物理世界中控制一个 agent，在这个环境中就有连续动作空间(continuous action spaces) 。

智能体主要组成部分

RL Agent组成部分有policy函数（负责选取下一步动作）、价值函数（对当前状态进行评估，估计以后的收益大概有多少）、模型（表示了Agent对这个环境状态进行了理解）

1. Policy

Policy决定了Agent的行为，根据看到的状态，得到应该采取的行为。主要分为两种：

• 随机性策略：stochastic policy: 也就是说输出的action是一个概率分布，通过对概率分布进行采样，得到真实采取的行为。$\pi (a|s)=P(A_t=a|S_t=s)$
• 确定性策略：deterministic policy, 就是说只采取它的极大化，采取最有可能的动作。$a\ast =argma{x}_a\pi (a|s)$

Q: 既然有确定性策略，采取能让奖励极大化的action不就可以了，为什么要加入随机性呢？

A: 引入随机性是为了更好的探索环境，随机性可能会带来负面收益，但是也可能会带来巨大的正面收益，为了探索这种可能性，所以随机性策略更好。

2. Value Function

价值函数是期望，在看到当前状态s的时候，直到游戏结束期望获得的reward值就是价值函数$V^{\pi }(s)$。
$$V_{\pi }(s)=E_{\pi }[G_t|S_t=s]=E_{\pi }[\sum _{k=0}^{\infty }{\gamma }^k{R}_{t+k+1}|S_t=s]$$
以上公式中的$\gamma$上文已经讲过了，是奖励衰减因子。因为希望能够在尽可能短的时间内，得到更多的奖励。

当然价值函数只考虑s也是不足的，Q函数综合考虑了状态和动作的影响，代表在当前状态s下，采取动作a以后的期望得到的奖励值。
$$Q_{\pi }(s,a)=E_{\pi }[\sum _{k=0}^{\infty }{\gamma }^k{R}_{t+k+1}|S_t=s,A_t=a]$$

3. Model

模型决定了下一个状态是什么，下一步的状态取决于当前的状态和当前采取的行动。主要由两部分组成：

• 概率函数$P_{s{s}^{\prime }}^a=P[S_{t+1}=s^{\prime }|S_t=s,A_t=a]$,表示从s状态采取动作a以后会转移s‘状态上。
• 奖励函数$R_s^a=E[R_{t+1}|S_t=s,A_t=a]$, 表示当前状态采取某个行为以后的奖励的期望值。

有了Model也就代表可以用Model-based方法进行求解，可以使用动态规划的方法求解问题。

Exploration and Exploitation

在强化学习里面，Exploration 和Exploitation 是两个很核心的问题。

• Exploration 是说我们怎么去探索这个环境，通过尝试不同的行为来得到一个最佳的策略，得到最大奖励的策略。
• Exploitation 是说我们不去尝试新的东西，就采取已知的可以得到很大奖励的行为。

因为在刚开始的时候强化学习 agent 不知道它采取了某个行为会发生什么，所以它只能通过试错去探索。所以 Exploration 就是在试错来理解采取的这个行为到底可不可以得到好的奖励。Exploitation 是说我们直接采取已知的可以得到很好奖励的行为。所以这里就面临一个 trade-off，怎么通过牺牲一些短期的 reward 来获得行为的理解。

知识点补充

Rollout：从游戏当前帧，生成很多局游戏，让当前的Model和环境交互，得到很多的观测（轨迹）,得到最终的最终reward，从而可以训练agent。

致谢

感谢DataWhale的工作人员的组织，以及群友的耐心解答，感谢！（鞠躬）

https://github.com/cuhkrlcourse/RLexample

https://github.com/datawhalechina/leedeeprl-notes

参考内容

https://blog.csdn.net/ppp8300885/article/details/78524235

https://datawhalechina.github.io/leedeeprl-notes/#/chapter1/chapter1