获取更多内容，请访问博主的个人博客爱吃猫的小鱼干的Blog

一 Value-Based

Q-Learning

Q-Learning是RL算法中Value-Based的算法，Q即为Q(s,a)就是在某一时刻的s状态下(s∈S)，采取动作a (a∈A)能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward。所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作。

下面是Q-Learning的TensorFlow实现

import numpy as np
import pandas as pdclass QLearning:def __init__(self, actions, learning_rate=0.01, reward_decay=0.9, e_greedy=0.9):"""QLearning:param actions: :param learning_rate: :param reward_decay: :param e_greedy: """self.actions = actionsself.lr = learning_rateself.gamma = reward_decayself.epsilon = e_greedyself.q_table = pd.DataFrame(columns=self.actions)def chooseAction(self, observation):"""Choose action with state and observation"""self.checkStateExist(observation)if np.random.uniform()<self.epsilon:opt_actions = self.q_table.loc[observation, :]# opt_actions = opt_actions.reindex(np.random.permutation(opt_actions))# action = opt_actions.argmax()action = np.random.choice(opt_actions[opt_actions == np.max(opt_actions)].index)else:action = np.random.choice(self.actions)return actiondef updateParams(self, state, action, reward, state_):self.checkStateExist(state_)q_pre = self.q_table.loc[state, action]if state_ != 'terminal':q_target = reward + self.gamma * self.q_table.loc[state_, :].max()else:q_target = rewardself.q_table.loc[state, action] += self.lr * (q_target - q_pre)def checkStateExist(self, state):if state not in self.q_table.index:self.q_table = self.q_table.append(pd.Series([0]*len(self.actions), index=self.q_table.columns, name=state))

DQN

当状态动作很多时，Q-Learning使用Table存储Value的方式不再实用（甚至不可行）。

如何不使用Table而得到每个状态下采取各个动作的Value呢？DQN用神经网络将State映射到Value。

DQN是在Q-Learning的主框架上做了扩展，包括：

记忆库（用于重复学习，随机抽取的经历也打乱的状态之间的相关性，使神经网络的更新更有效率）
MLP计算Q值
暂时冻结Q_target参数（切断相关性），target网络用来计算Q现实

下面是DQN的TensorFlow实现

import tensorflow as tf
import numpy as npclass DeepQNet:def __init__(self,n_actions,n_features,learning_rate=0.01,reward_decay=0.9,e_greedy=0.9,update_target_iter=300,memory_size=500,batch_size=32,e_greedy_increment=None,output_graph=False,):"""DQN:param n_actions::param n_features::param learning_rate::param reward_decay::param e_greedy::param update_target_iter::param memory_size::param batch_size::param e_greedy_increment::param output_graph:"""self.n_actions = n_actionsself.n_actions = n_actionsself.n_features = n_featuresself.lr = learning_rateself.gamma = reward_decayself.epsilon_max = e_greedyself.update_target_iter = update_target_iterself.memory_size = memory_sizeself.batch_size = batch_sizeself.epsilon_increment = e_greedy_incrementself.epsilon = 0 if e_greedy_increment is not None else self.epsilon_max# total learning step(Cooperate with update_target_iter in learn() to update the parameters of target net)self.learn_step_counter = 0# memory: row = memory_size, col = observation + observation_ + action + rewardself.memory = np.zeros((self.memory_size, self.n_features*2+2))self._buildNet()self.sess = tf.Session()if output_graph:tf.summary.FileWriter('logs/', self.sess.graph)self.sess.run(tf.global_variables_initializer())self.cost = []def _buildNet(self):""""Build evaluate network and target network"""# build evaluate netself.state = tf.placeholder(tf.float32, [None, self.n_features], name='state')self.q_target = tf.placeholder(tf.float32, [None, self.n_actions], name='Q_target')with tf.variable_scope('evaluate_net'):c_names, n_l1 = ['evaluate_net_params', tf.GraphKeys.GLOBAL_VARIABLES], 10w_initializer, b_initializer = tf.random_normal_initializer(0, 0.3), tf.constant_initializer(0.1)with tf.variable_scope('layer1'):w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)l1 = tf.nn.relu(tf.matmul(self.state, w1) + b1)with tf.variable_scope('layer2'):w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)self.q_evaluate = tf.nn.relu(tf.matmul(l1, w2) + b2)with tf.variable_scope('loss'):self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_evaluate))with tf.variable_scope('train'):self.opt = tf.train.RMSPropOptimizer(self.lr).minimize(self.loss)# build target netself.state_ = tf.placeholder(tf.float32, [None, self.n_features], name='state_')with tf.variable_scope('target_net'):c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]with tf.variable_scope('layer1'):w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)l1 = tf.nn.relu(tf.matmul(self.state_, w1) + b1)with tf.variable_scope('layer2'):w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)self.q_next = tf.nn.relu(tf.matmul(l1, w2) + b2)def storeTransition(self, state, action, reward, state_):"""Store the state, observation and reward experienced during the train process to enable batch training"""if not hasattr(self, 'memory_counter'):self.memory_counter = 0transition = np.hstack((state, [action, reward], state_))index = self.memory_counter % self.memory_sizeself.memory[index, :] = transitionself.memory_counter += 1def chooseAction(self, observation):"""Choose action with state and observation"""observation = observation[np.newaxis, :]if np.random.uniform() < self.epsilon:actions = self.sess.run(self.q_evaluate, feed_dict={self.state: observation})action = np.argmax(actions)else:action = np.random.randint(0, self.n_actions)return actiondef updateTargetNet(self):"""Update the target net with the latest evaluate net parameters"""evaluate_params = tf.get_collection('evaluate_net_params')target_params = tf.get_collection('target_net_params')self.sess.run([tf.assign(t, e) for t, e in zip(target_params, evaluate_params)])def learn(self):# check to update target netif self.learn_step_counter % self.update_target_iter == 0:self.updateTargetNet()print('Update target net!')# Get batch training data from the memoryif self.memory_counter > self.memory_size:sample_index = np.random.choice(self.memory_size, size=self.batch_size)else:sample_index = np.random.choice(self.memory_counter, size=self.batch_size)batch_memory = self.memory[sample_index, :]q_evaluate, q_next = self.sess.run([self.q_evaluate, self.q_next],feed_dict={self.state: batch_memory[:, 0:self.n_features],self.state_: batch_memory[:, -self.n_features:]})q_target = q_evaluate.copy()batch_index = np.arange(self.batch_size, dtype=np.int32)eval_act_index = batch_memory[:, self.n_features].astype(int)reward = batch_memory[:, self.n_features + 1]  # Related to memory format, here means [action, reward]q_target[batch_index, eval_act_index] = reward + self.gamma * np.max(q_next, axis=1)_, cost = self.sess.run([self.opt, self.loss],feed_dict={self.state: batch_memory[:, 0:self.n_features],self.q_target: q_target})self.cost.append(cost)self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_maxself.learn_step_counter += 1def showCost(self):import matplotlib.pyplot as pltplt.plot(np.arange(len(self.cost)), self.cost)plt.ylabel('Cost')plt.xlabel('training steps')plt.show()

二 Policy-Based

直接输出动作，可以在连续区间内选择动作；而Value-Based要在连续区间中，对无数个动作计算价值选择行为是不可行的。

误差如何反向传递呢？没有误差，它的目的是选的动作在下次更有可能被选择，但怎么知道动作的好坏呢，用reward，reward小，动作在下次被选择的可能性增加的少。

Actor-Critic

Actor：Policy-Based，输入State，预测输出采取各种Action的概率。
Critic；Value-Based，输入State，预测输出当前State的Value，并与下一状态的next_stateValue求TD_error
在Actor-Critic中，Actor可以每一步都更新学习（而单纯的Policy-Based方法要在回合结束后才能更新）

但也带来了问题：由于两个网络在连续状态中更新参数，每次跟新前后的参数具有相关性，导致网络只能片面的看待问题，甚至学不到有效的参数，不能收敛。

TRPO

PPO

Deep Deterministic Policy Gradient（DDPG）

获取更多内容，请访问博主的个人博客爱吃猫的小鱼干的Blog

【RL】算法简介与实现相关推荐

边做边思考，谷歌大脑提出并发RL算法，机械臂抓取速度提高一倍！
选自arXiv 作者:Ted Xiao 等机器之心编译机器之心编辑部 RL 算法通常假设,在获取观测值.计算动作并执行期间环境状态不发生变化.这一假设在仿真环境中很容易实现,然而在真实机器人控制当 ...
数据结构与算法：算法简介
数据结构与算法:算法简介雪柯大工生物信息提笔为写给奋进之人已关注你说呢 . shenwei356 等 70 人赞同了该文章引用自算法图解,作者[美] Aditya Bhargava 译袁国 ...
hash算法_一致性hash算法简介
一致性hash算法有什么用?我们为什么需要一致性hash算法?这两个问题的答案可以看这篇文章分布式系统路由算法简介. 了解了一致性hash算法出现的背景,我们来看看什么是一致性hash算法.一致性h ...
Minimax 和 Alpha-beta 剪枝算法简介，及以此实现的井字棋游戏（Tic-tac-toe）
前段时间用 React 写了个2048 游戏来练练手,准备用来回顾下 React 相关的各种技术,以及试验一下新技术.在写这个2048的过程中,我考虑是否可以在其中加入一个 AI 算法来自动进行游戏, ...
推荐系统算法_机器学习和推荐系统（二）推荐算法简介
推荐算法简介一. 基于人口统计学的推荐算法二.基于内容的推荐算法三. 基于协同过滤的推荐算法协同过滤(Collaborative Filtering , CF) 基于近邻的系统过滤基于用户( ...
图像迁移风格保存模型_CV之NS：图像风格迁移(Neural Style 图像风格变换)算法简介、关键步骤配图、案例应用...
CV之NS:图像风格迁移(Neural Style 图像风格变换)算法简介.过程思路.关键步骤配图.案例应用之详细攻略目录图像风格迁移算法简介图像风格迁移算法过程思路 1.VGG对比NS 图像风 ...
魔棒工具--RegionGrow算法简介
from: 魔棒工具--RegionGrow算法简介 ps里面的魔棒工具非常好用,是图像处理中非常常用的一个工具,它现在已经是我的c++工具箱中很重要的一员了,我会在以后的时间里把我的工具箱逐渐介绍给 ...
【数据挖掘】基于划分的聚类方法 ( K-Means 算法简介 | K-Means 算法步骤 | K-Means 图示 )
文章目录一. 基于划分的聚类方法二. K-Means 算法简介三. K-Means 算法步骤四. K-Means 方法的评分函数五. K-Means 算法图示一. 基于划分的聚类方法 ...
AI - 常见算法简介（Common Algorithms）
机器学习常见算法简介 - 原文链接:http://usblogs.pwc.com/emerging-technology/machine-learning-methods-infographic/ 应 ...
DL之CNN：卷积神经网络算法简介之原理简介——CNN网络的3D可视化(LeNet-5为例可视化)
DL之CNN:卷积神经网络算法简介之原理简介--CNN网络的3D可视化(LeNet-5为例可视化) CNN网络的3D可视化 3D可视化地址:http://scs.ryerson.ca/~aharley ...

【RL】算法简介与实现