https://www.bilibili.com/video/av9770302/?p=24

https://www.bilibili.com/video/av24724071/?p=3

https://zhuanlan.zhihu.com/p/25239682

强化学习概览

分为几个要素，

首先我们可以观察到state，observation

然后我们采取Action

环境会对我们采取的Action，给与Reward，由此可以知道action的效果的好坏

最终我们学习的目的是，policy，即state和action的匹配关系

那么强化学习和传统的supervised learning有啥区别，为什么需要强化学习

传统supervised learning的场景，是人可以知道明确答案的，比如图片分类等，这样才能训练集去supervise机器

但是有些问题，人也无法决定如何做事正确答案，比如玩游戏，这是就需要强化学习，通过经验去试错

用video game来举例看下，实际的强化学习的过程，

每次看到游戏画面observation就是state
采取的actions，包含左移，右移，fire
杀死外星人就可以得到一定的reward

游戏从开始玩到gameove，称为一个episode，我们的目标，就是在一个episode中得到尽可能多的reward

强化学习，可以这样分类，

首先是Model-based和model-free，
model-based就是对环境有先验知识，比如下围棋，你读过棋谱，知道规则，那么你可以对环境后续的变化做出预判
model-free就是比较盲目的，不了解环境，只能试错

显然model-based的效率要好，但是很多场景没办法model-based，因为你确实也没有先验知识

在Model-free里面，又分成Policy-based和Value-based

我们上面说强化学习的目标，就是学习policy，即即state和action的匹配关系

所以Policy-based的方法，是比较直接的方法，我把Actor/policy作为一个function，那么只要学习出这个function，问题就解决了

在Policy-based里面又可以分成on-policy和off-policy，一般看到的都是on-policy，就是和环境互动的agent就是学习agent本身
off-policy，和环境互动的agent和学习agent分开，不是同一个

而Value-based的方法，比较曲折，直接学习出policy function比较抽象，换个思路，学习一个critic，它会评价在某个state下的每个action

如果能学习出critic，那我们就可以通过他的评价，来选择最好的action，这个问题也就解决了

Q-learning就是典型的Value-based的方法，它是根据之前所有的经验来统计出当前state选择某个action，会得到的最终的Reward；但这种方法，缺乏泛化能力，对于没见过的case，无法处理，所以出现DQN用nn来拟合critic

Policy-based Actor

由于policy-based是比较新的技术，也是当前比较主流的技术，所以先介绍policy-based的方法，

Policy-based的方法，可以分成三步，

第一步先定义一个function，那么这里就用nn来作为一个actor

输入是游戏画面，输出是每个actions的probability，一般在选择action的时候要加入random，否则会缺乏exploration的能力，即每次相同选择，没有机会发现新大陆

第二步，怎么判断function的好坏？

判断一次episode的好坏，就是这个过程中获得的reward和
那么一个actor，会产生很多各种各样的episode，或trajectory，只要算出所有episode的R的期望，就可以用来衡量actor function的好坏

而期望实际上算不出来，所以用sample来近似，最终得到了右边的结果

第三步，如何找到其中最好的actor function

答案就是用Gradient Asent，来得到最优的actor function

那么下面就是对R的期望求gradient的问题，

最终R期望的梯度公式如下，

Tips

但这样的问题在于，比如对于游戏它的R可能都是正的，这样b, c会被sample到，那么他们的概率会被放大，而a其实reward比c大，但是由于没有被sample到，所以概率反而会被减小

所以增加一个baseline，大于这个baseline的reward才认为是正向reward，小于就认为是负向的reward

上面的算法还有一个明显的问题，我们在考虑一个action是正向还是负向的时候，考虑的是整个episode的reward和

很直觉的想法就是，最终的结果是正向的，并不代表过程中的所有action都是正向的，比如下左图，R=3基本都是由于a1这个action的reward，而a2，a3没有啥贡献，甚至产生负的reward

那么这个情况当sample足够多的情况下，是可以克服的，但是普通情况下sample都是不足够的

所以一个想法，当前的action只会对它后面的reward有作用，并且越靠近的reward受到的影响应该越大

所以这里会用action之后的reward和来替换整个episode的reward和，并且要乘上discount factor，让action的影响递减

替换部分称为advantage function，这个在后面的A3C算法中会看到

PPO (Proximal Policy Optimization)

前面的policy的方法都是on-policy的方法，下面介绍的PPO，当前是OpenAI的默认RL算法，是一种off-policy的方法

off-policy，就是和环境互动的agent和我训练的agent是两个不同的agent

为什么要用off-policy这么trick的方法？

因为on-policy，每次收集和环境互动得到的data，然后更新参数，更新完参数后，之前收集的data就没法继续用了，需要再和环境互动收集新的data

这样非常耗费时间

如果我们有个一个agent，它的参数是fix的，专门去和环境交互并收集data，然后用这些data去训练我们的当前的agent，这些收集的data就是可以被重用的

这个方法类比，你看别人打球，或下棋，然后从你观察到数据来用于自己学习

具体怎么做，这个首先基于一个理论，importance sampling，

如果我们要算一个分布P中x，对于f(x)的期望，如果不能直接求解，我们用的方式就是sample，在P中sample n个x，然后算平均

那么如果我们这时没法在P中做sample，我们有任意一个分布Q，我们在Q中做sample，仍然能算出f(x)在P上的期望

这个感觉很神奇，但是上面的推导确实给出公式

用这个理论还是有些问题的，

问题在于这个理论保证期望不变，但是方差是变化的，所以如果两个分布相差太远，方差会有较的差异

比较形象的例子，右图，如果P，Q的分布式相反的，这样去sample会导致，如果在P中sample那么绝大部分情况会集中在左边，而在Q中sample会集中在右边

这样会导致得到的期望完全不一样，当然如果sample足够多，这个问题是可以被克服的，因为小概率事件还是有可能会发生的，你在Q中也是有小概率会sample到左边的点

现在回到off-policy，我们要做的就是，用在一个agent上sample的数据，来计算在另一个agent上的reward和的期望

上面说到过，这里会用advantage function来优化这个R

第二步做的就是importance sampling的转换

第三步假设不同agent出现某个state的概率相同，所以把这项消掉，因为state和你选择啥policy没关系，也说的通

第四步得到off-policy的目标函数

这个算法就称为PPO，但是上面说了两个agent的分布如果差的很远会影响算法效果

所以一般会加上一个正则项，即两个分布的KL，这样会让两个分布尽可能的接近

 

这个PPO算法的问题是实现比较麻烦，尤其后面的那个KL

所以出现PPO2，这里去掉了KL，但是用clip来限制两个分布不相差太远

如果A是正向的，那么我们要尽可能增加学习agent的state|action的概率，但是当逼近和环境交互的agent的概率，就会停止，因为min会限制住它

如果A是负向的，反之尽量降低这个概率，但是同样只能逼近另一个概率

Value-based Critic

Critic不决定采取什么action，而只是评价actor好坏

对于Critic，就是要训练一个function V，输入是某个actor和state，输出是从state到episode结束的reward总和

那么如何训练Critic？

两种方法，

Monte-carlo方法，直觉的方法，V不就是要拟合整个episode的reward吗，那就对于该actor和一个state，会得到实际的reward G，那么V只要去逼近G就可以完成训练

Temporal-difference方法，这个就有些trick，两个相邻状态V应该相差这步的reward，那么就用这个差值来拟合V，这个方法的好处就是不需要等episode结束，每一步都可以train

两个方法的不同，

MC方法的varianc会比较大，因为每次从Sa出发，最终得到的结果G可能会有很大的差异，因为环境和model都有随机性，而G是多步叠加的结果，所以Var会很大

TD方法，因为r只是一小步的reward，所以这个Var就会相对比较小，但是TD，根据一步训练，所以会有偏差

Q-learning

上面学习到V，只是知道当前state下最终会得到的reward是多少，但是并没有办法根据V去选择action

所以我们需要一种新的Critic，Q，给出在当前state下，选取某个action得到的reward和

如果我们得到Q，那么就很容易选择下一步的action，选reward最大的好

这样就不需要训练单独的actor和policy，因为通过Q可以推导出policy，这就是Q-learning

由于Q-learning，每步需要找出最大的Q，所以如果action是连续的，就会比较麻烦，需要gradient descend；但是对于离散的action就会很简单，穷举就好

这里形式化的表达，只需要每一步state都选取最大的Q，我就可以得到一个更好的actor

这是非常直觉的一个事情，如果我通过Q可以知道选取哪个action可以得到更大的reward，那么当然应该选择该action

这里给出形式化证明，

Q-learning算法

那现在的问题就是如何学习Q？训练的时候有一些tips

Target Network

你可以用TD的方法，仍然是两部之间差一个rt

实现的时候，这里有两个Q，虽然参数上应该是一样的，但是训练的时候会fix住一个的参数，称为TargetNetwork，让另一个去逼近；然后再把参数同步过去，再去逼近，这样实现更容易些

Exploration

增强学习的时候，要去尝试新的选择，因为保守的选取之前尝试过的case，可能会错过最优解

基本策略是加入随机性，比如大概率选MaxQ，但有小概率会random；在训练的前期，exploration比较关键，而到了后期，你已经尝试过所有case的情况下，exploration就没有那么关键了，所以这个概率可以随着学习的过程decay

Replay Buffer

不光当前policy actor和环境交互的数据被记录下来，之前的actor和环境交互的数据也会被记录下来

训练的时候从buffer中选取一个batch，这个里面有可能包含一些其他actor的交互数据，这样训练的鲁棒性会比较强，而且大大节约actor的交互时间

加上这些tips，典型的Q-learning算法，

两个Q，一个作为target network
在和环境互动的时候，加入epsilon greedy，增加exploration的能力
将互动得到的数据放入buffer，然后从buffer中随机sample一批数据作为训练数据去计算target network Q^
不断的让Q去逼近这个Q^，n部后，把Q的参数同步给Q^

Adanced Q-learning

Double DQN

DQN有个问题，就是Q的value会被over estimate

因为Q一定是有误差的，或大或小，但是由于训练过程中总是选Max Q，所以会总是选到被高估的action

Double DQN，就是用两个Q函数而不是一个，这样一个Q决定如何选择action，另一个Q用于计算reward，这样只要不是两个Q都over estimate某一个action，就不会有太大的问题

Dueling DQN

这个方法其实就是改了下网络结构，加了一层，但是这样为何就比原来的好？

右图，这个方法会通过加约束，让算法倾向于修改Vs，而不是A，这样通过sample到case的学习的结果，就可以影响到未sample到的case

Prioritized Reply

从buffer里面sample测试集的时候，不是随机的sample，而是挑选那些在上一次training中TD error比较大的data

Multi-step

MC是整个完整的episode做完后，才能train
而TD是完成一步以后就可以train

自然的想法是balance一下，mini-batch，若干步后用TD training

Noisy Net

增加noise是为了增加模型的exploration能力
之前的方法是noise on action，即选择action的时候，会小概率加入随机action
当前的方法称为noise on parameter，即在episode开始的时候，在Q的nn的参数上加入一定的noise

这样做的好处见右图，noise action不确定性太大

Distributional Q-function

原先Q，是一个期望，在s状态，采取a后，得到的reward总和的期望，平均值

但平均值不能很好的反应出数据，左图中两个分布的平均值一样，但是分布相差很远

所以对于Q我们不光只输出一个期望值，而是输出一个期望的分布，比如右图，对于每个action，输出5个值，表示不同期望区间的概率分布

那么这些技术tips的效果到底如何？

Rainbow是结合所有的tips所达到的效果，可以看到还是非常不错的

其他的线表示单独加上一种tip时候，对性能的影响

右图，是反映在rainbow中，去掉某一种tip时的效果，可以看到去掉multi-step或priority时，性能会下降很大

Continuous Action

Q-learing对于离散的action是比较好处理的，如果是连续的action应该如果去做
Sample是比较简单的方法，但是不准确；gradient asent太费了
第三种方法，比较匪夷所思，设计一种网络Q，让他比较容易算出max，如下图定义Q(s,a)，当a=u(s)，第一项为0，整个就取到max值

A3C

A3C，一共3个A，一个C

其中一个A和C，表示同时使用Actor和Critic，即policy-based和value-based

那么直接用policy-based，有啥不好？

可以看到policy-based做梯度上升的时候，是需要用到G，即整个episode的reward和

这样要求一个episode结束后才能开始训练，并且这个G的variance是非常大的，就是非常不稳定

那么既然现在我们有一个critic，而critic可以预测出G的期望，那么是否可以用来替换G？这样就可以做到每一步都能训练，并且提供稳定性

如下左图，G的期望就等价于Q，而baseline，我们用V来替换，因为V表示在状态St所得到的reward期望，而我们采取的action a时，所得到的reward要高于这个才是有价值的

但是这样，我们要同时训练Q和V两个function，所以Advantage Actor-Critic，所做的是用V来近似表示Q，这样我们只需要训练V这一个function，

Advantage Function的定义也很直觉，后面括号中的部分是用Critic预测走这一步所会得到的reward，这个可以看做是一个baseline

如果我们实际这一步得到的reward大于baseline，那么我们就认为这步是正向的，否则是负向的

A3C设计的Tips，

首先actor和critic可以共享部分网络，这个是显然的，因为输入都是s，比如游戏画面，输出虽然有不同，但是前面大部分的网络可以共享

用output entropy作为Actor输出的正则项，即Actor会有机会倾向于去尝试不确定的action，这样模型会比较好的泛化能力

最后一个A，异步，这个比较工程的想法，就是用多组actor-critic同时来训练和更新参数，更快的收敛

Pathwise derivative policy gradient

本身Q-learning得到的Q，就可以决定选择哪个action，前面说了这样对于连续性的action就很麻烦

这个方法说，不，critic只能评价，不能直接决定action

还是要训练一个actor决定采取什么样的action

这时其实是把Q作为supervisor

训练的方式就是把actor和Q连成一个大的nn，固定住训练好的Q的参数，训练actor的参数，使得最终的输出最大化

然后再用更新过的actor和环境互动，进一步去训练Q，周而复始

最终使用的时候，直接用actor就可以，不用管Q

这个方法的最大价值，是它可以类比GAN，

Actor是generator，Q是Discriminator，很有意思

这里有两个tips，

第一个，replay buffer，即在训练Q的时候，会把所有actor和环境的互动的过程都记录下来，用于训练Q，这样更加robust

第二个，actor的输出要加随机noise，泛化和exploration的能力

这里给出一个实际的算法实现对比，左边是经典的Q-learning，右边通过4步的变化，成为Pathwise Derivative Policy Gradient

第一步，用actor π来觉得采取什么action，而不是用Q
第二步，用target actor π^的输出作为Q^的输入
第三步，Fix住Q，调整actor π的参数，使得Q最大化
第四步，更新π^,Q^

Imitation learning

有些场景下，不太好定义出reward

比如说自动驾驶或chatbot

如果不能明确定义出reward function，我们就无法用RL去训练

这时的思路，就是imitation learning，意思是用expert的示范来告诉你应该怎么做，比如比较典型的是自动驾驶，通过看大量人类驾驶的录影来学习

这里最直观的就behavior cloning，即expert怎么做，你照搬就好，这就是典型的supervised学习

这个方法的缺点，就是会有盲区，如果没有看到过这个场景的例子，机器会不知道该怎么办，比如人开车很少会撞墙，所以机器当快撞墙时，就没有经验可以借鉴

第二个缺点，就是expert并不是所有的行为都是有用的，或有益的，而单纯的clone这些行为是没有意义的

所以比较科学的方法，加做Inverse Reinforcement Learning

普通的RL，是通过定义reward function，来训练出actor

而如果我们不知道reward function，就需要先通过一堆demonstration来找到真正的reward function

如何找？

类似GAN的过程，

我们用Expert的一堆操作作为positive的例子，而随机产生一个actor的操作作为negative的例子，这里actor是一个nn，可以看成generator

我们来训练一个Reward function，也是一个nn，使得它能分辨出expert的操作优于actor的操作，可以看出Discriminator

然后我们用新的reward function来训练一个新的actor，再用新actor产生的操作作为negative例子，进一步的去更新reward function。。。。。。