【李宏毅深度强化学习笔记】8、Imitation Learning

qqqeeevvv 2020-01-30 18:18:16

3344

分类专栏：强化学习 # 理论知识

            </div></div><div class="up-time" style="left: 120.906px; display: none;"><span>最后发布：2020-01-30 18:18:16</span><span>首次发布：2020-01-30 00:13:12</span></div><div class="slide-content-box"><div class="all-tags-box"></div><div class="article-copyright"><div class="creativecommons"><a rel="license" href="http://creativecommons.org/licenses/by-sa/4.0/"></a></div><div class="creativecommons">版权声明：本文为博主原创文章，遵循<a href="http://creativecommons.org/licenses/by-sa/4.0/" target="_blank" rel="noopener"> CC 4.0 BY-SA </a>版权协议，转载请附上原文出处链接和本声明。                            </div><div class="article-source-link">本文链接：<a href="https://blog.csdn.net/ACL_lihan/article/details/104111622">https://blog.csdn.net/ACL_lihan/article/details/104111622</a></div></div></div><div class="operating"><a class="href-article-edit slide-toggle">版权</a></div></div></div>
</div>
<!--python安装手册结束--><article class="baidu_pl"><div id="article_content" class="article_content clearfix"><link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-b981975251.css"><div class="htmledit_views" id="content_views"><p><a href="https://blog.csdn.net/ACL_lihan/article/details/104020259">【李宏毅深度强化学习笔记】1、策略梯度方法（Policy Gradient）</a></p>

【李宏毅深度强化学习笔记】2、Proximal Policy Optimization (PPO) 算法

【李宏毅深度强化学习笔记】3、Q-learning（Basic Idea）

【李宏毅深度强化学习笔记】4、Q-learning更高阶的算法

【李宏毅深度强化学习笔记】5、Q-learning用于连续动作 (NAF算法)

【李宏毅深度强化学习笔记】6、Actor-Critic、A2C、A3C、Pathwise Derivative Policy Gradient

【李宏毅深度强化学习笔记】7、Sparse Reward

【李宏毅深度强化学习笔记】8、Imitation Learning（本文）

-------------------------------------------------------------------------------------------------------

【李宏毅深度强化学习】视频地址：https://www.bilibili.com/video/av63546968?p=8

课件地址：http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.html

-------------------------------------------------------------------------------------------------------

上一篇笔记讲了reward很稀疏的情况，但是在实际中，可能问题还会更进一步：很多场景是很难有一个明确的reward甚至没有reward。所以需要很厉害的agent或者直接由人来示范的资料，让agent跟着做。

本文会讲两个Imitation Learning的方法：

Behavior Cloning
Inverse Reinforcement Learning (IRL)

Behavior Cloning

Behavior Cloning其实和监督学习（supervised learning）是一样的。以自动驾驶为例子，搜集很多的expert（假设是人类）驾驶资料，这些资料的状态s是开车的场景，动作a是在此场景下做出的动作。把这些资料输入到Neural Network中，使网络输出的动作能尽可能接近实际人类做出的动作，就完成任务。

但是这个过程中，expert观察到state是有限的。比如在实验中，让人去开车，都能顺利转弯，没有出现撞墙的情况。而这时让agent去开车，如果某一时间它没及时转弯导致处于快撞墙的state，由于缺少相应的训练资料导致agent不知道接下来怎么做。

所以这时需要引入Dataset Aggregation稍微缓解下这个问题。

让actor $\pi_1$ 开车
让一个专家坐在车子里观察所处状态并告诉actor 做出什么动作。
但是actor不会听取专家的建议，还是以actor的意愿去开车，最终就撞墙了，一个episode结束。
这时actor就知道在快要撞墙的时候要采取什么样的动作，然后用这个新的data去训练新的actor $\pi_2$ 。
重复1234步……

以上就是Dataset Aggregation的过程

从上面我们可以看出Behavior Cloning很容易实现，但是它也有问题：

agent会完全复制expert的行为，不管这个行为对不对
agent的学习能力有限，没办法什么都学，有可能只学到不好的东西，没学到有价值的东西
有可能会遇到Mismatch的问题（上面开车那个例子）

这里再具体看一下第三点

在监督学习中，是希望训练数据和测试数据有独立同分布的。而在Behavior Cloning中，actor做出的action是会影响后续的state的。因为Network的训练是有误差的，训练出来的actor 不可能完全和expert actor 一模一样，就会导致某个state下，两者采取的action不一样，然后就导致后面的state完全不一样了，最坏的情况就是actor后面遇到的state是expert没遇到过的，这时actor就会完全不知道如何进行下去了。即，失之毫米，差之千里。

所以，虽然Behavior Cloning简单但是并不是一个很好的办法，所以又有第二种方法Inverse Reinforcement Learning (IRL)

Inverse Reinforcement Learning (IRL)

左图是熟悉的Reinforcement Learning的步骤，通过Environment和Reward function，最终更新出理想的Actor。

右图就是 Inverse Reinforcement Learning 的步骤，由于没办法从Environment获得reward，那就通过收集expert的资料还有Environment的信息，来反推Reward function，推出Reward function就能应用以前的Reinforcement Learning的做法了。

具体来看Inverse Reinforcement Learning怎么运作的。

expert $\pi$ \hat 去玩游戏，记录游戏过程，形成n个 $\tau$ \hat，每个 $\tau$ \hat代表1个episode。
actor $\pi$ 去玩游戏，记录游戏过程，形成n个 $\tau$ 。
设定一个Reward Function，这个Reward Function强制要求expert的累计得分一定要高于actor的累计得分。
有了Reward Function就可以使actor去更新出更强的actor。
当actor能在此时的Reward Function达到很高的reward时，修改Reward Function（还是要求expert的得分一定要高于actor），让actor根据新Reward Function去更新出更强的actor。
重复上述步骤。

Inverse Reinforcement Learning可以实现只用很少量的expert的示范资料，就训练出一个很理想的actor。

看了以上的步骤，可以想到，actor和reward function就对应类似于GAN的generator和discriminator。通过reward function的不断修改，使actor越来越接近expert的水平。

深度强化学习8：Imitation Learning相关推荐

【DQN】解析 DeepMind 深度强化学习 (Deep Reinforcement Learning) 技术
原文:http://www.jianshu.com/p/d347bb2ca53c 声明:感谢 Tambet Matiisen 的创作,这里只对最为核心的部分进行的翻译 Two years ago, a ...
人工智能-强化学习：Imitation Learning（模仿学习）= Learning by Demonstration（示范学习）【每一步action都没有reward】
Imitation Learning(模仿学习)是从给定的展示中进行学习.机器在这个过程中,也和环境进行交互,但是,并没有显示的得到 reward. 在某些任务上,也很难定义 reward.如:自动驾 ...
深度强化学习 Deep Reinforcement Learning 学习整理
这学期的一门机器学习课程中突发奇想,既然卷积神经网络可以识别一副图片,解决分类问题,那如果用神经网络去控制'自动驾驶',在一个虚拟的环境中不停的给网络输入车周围环境的图片,让它去选择前后左右中的一个操 ...
中科院自动化所介绍深度强化学习进展：从AlphaGo到AlphaGo Zero
来源:德先生概要:2016年初,AlphaGo战胜李世石成为人工智能的里程碑事件.其核心技术深度强化学习受到人们的广泛关注和研究,取得了丰硕的理论和应用成果. 深度强化学习进展: 从AlphaGo ...
深度强化学习_深度学习理论与应用第8课 | 深度强化学习
本文是博雅大数据学院"深度学习理论与应用课程"第八章的内容整理.我们将部分课程视频.课件和讲授稿进行发布.在线学习完整内容请登录www.cookdata.cn 深度强化学习是一种将 ...
电子网络发票应用系统网络不通_深度强化学习在典型网络系统中的应用综述
作者:郑莹,段庆洋,林利祥,游新宇,徐跃东,王新摘要:近几年来,以深度强化学习(Deep Reinforcement Learning,DRL)为代表的人工智能技术被引入计算机网络系统设计中 ...
深度学习（三十九）——深度强化学习（2）概述, Deep Q-learning Network（1）
概述上图是深度强化学习的脉络图,参考文献中还有该领域的关键论文列表. 原图地址: http://louiskirsch.com/maps/reinforcement-learning 参考: htt ...
乐器演奏_深度强化学习代理演奏的蛇
乐器演奏 Ever since I watched the Netflix documentary AlphaGo, I have been fascinated by Reinforcement L ...
深度强化学习和强化学习_深度强化学习：从哪里开始
深度强化学习和强化学习 by Jannes Klaas 简尼斯·克拉斯(Jannes Klaas) 深度强化学习:从哪里开始 (Deep reinforcement learning: where t ...
你该知道的深度强化学习相关知识
如今,机器学习(Machine Learning,ML)和人工智能(Artificial Intelligence,AI)的相关算法越来越深度地融合到了我们的社会与生活中,并且在金融科技.医疗保健.以 ...

深度强化学习8：Imitation Learning

【李宏毅深度强化学习笔记】8、Imitation Learning

Behavior Cloning

Inverse Reinforcement Learning (IRL)

深度强化学习8：Imitation Learning相关推荐

最新文章

热门文章