在机器学习领域，监督学习和无监督学习两大学习范式已经被从业者广为熟知且应用。随着近年来新技术的不断涌现，对于那些需要进行决策的问题，强化学习作为新的学习范式逐渐取得了很多惊人的成就。比如应用深度强化学习的 AlphaGo 战胜了人类的顶尖围棋选手，OpenAI Five 在 DOTA 2 上战胜了世界冠军战队，等等。强化学习在游戏领域披荆斩棘，让越来越多的从业者对该技术产生了强烈兴趣，并希望将其应用到工作中。

经过 MOBA 游戏《王者荣耀》的测试，训练有素的 AI agent 可以在完整的 1v1 游戏中击败顶尖的职业人类玩家

01

什么是强化学习？

 这里我们可以参考一下 Thomas Simonini 的解释：

强化学习的中心思想，就是让智能体在环境里学习。每个行动会对应各自的奖励，智能体通过分析数据来学习，怎样的情况下应该做怎样的事情。

其实，这样的学习过程和我们自然的经历非常相似。想象自己是个小孩子，第一次看到了火，然后走到了火边。你感受到了温暖。火是个好东西 (+1) 。

然后就试着去摸。卧槽，这么烫 (-1)  。

结论是，在稍远的地方火是好的，靠得太近就不好。这就是人类学习的方式，与环境交互。强化学习也是一样的道理，只是主角换成了计算机。

注：以上内容由量子位编译整理

02

强化学习与机器学习、人工智能有什么关系？

首先，机器学习是实现人工智能的一种技术。不同的人对人工智能的定义有不同的理解，这里不进行深入说明。不过，对于“机器学习是实现人工智能的一种技术”这一点，人们意见一致。

顾名思义，机器学习是让“机器”进行“学习”的方法。这里的“机器”叫作模型，实际上是含有参数的数学式。对模型的参数进行调整，使之与给定的数据拟合的行为叫作“学习”。

各关键词之间的关系

机器学习的机制

深度学习是机器学习中的一种模型。将神经网络模型叠加成多层模型（使之变深），就形成了深度神经网络（Deep Neural Network，DNN）。通过某些学习方法让 DNN 进行学习，就叫作深度学习。 

对模型的参数进行调整，使之与数据拟合的学习方法一共有 3 种，分别是监督学习、无监督学习和强化学习。

■ 监督学习

事先给定数据和答案（标签），然后对模型的参数进行调整，让输出（标签）与给定的数据一致。

■ 无监督学习

事先仅给定数据，然后对模型的参数进行调整，以提取数据的特征（结构或表征）。

■ 强化学习

事先给定一个可以根据行动得到奖励的环境（任务），然后对模型的参数进行调整，以便让不同状态下的行动与奖励联系起来。

监督学习是最容易理解且使用最广泛的学习方法。这里我们以图像分类为例来介绍一下。首先准备一个数据集，在这个数据集中，每张图像都有对应的标签，用来表明这张图像是哪种动物（这称为监督数据）。然后，为了在输入图像后让模型输出正确的标签，对模型的参数进行调整。

无监督学习不会事先给定标签。因为给定的只有数据，所以叫作“无监督”。由于没有标签，所以模型学习的是数据内部的结构（structure）和表征（representation）等。比如，在输入某个样本后，模型会根据该样本在全体数据中的位置调整参数，输出表示该数据的表征（向量）。

强化学习与前面两种机器学习方法不同，它给定的是环境，而不是数据。我们可以把环境理解为到达某种状态即可获取奖励的空间，其中定义了“行动”以及与行动对应的“状态”的变化。

简单来说，强化学习就像游戏一样。比如，在游戏中，按下按钮后角色会跳跃，那么“按下按钮” 就相当于行动，“角色跳跃”就相当于状态的变化。到达终点之后，就可以获得“奖励”。

实际上，强化学习中使用的“环境”以游戏为主。在研究领域，Atari 2600 游戏机的游戏经常被用于测试强化学习模型的性能。

03

强化学习的优点和弱点

强化学习在根据行动给予奖励（≈正确答案）这一点上和监督学习非常相似。二者的不同点在于，强化学习不是根据单次的立即奖励进行优化的，其优化的目的是使整体奖励最大化。假设 1 天能得到 1000 元，但如果等待 3 天，就能得到 10 000 元。在这种情况下，行动分为“等待”与“不等待”。因为监督学习评价的是单次的行动结果，所以会选择“不等待”，每天得到 1000 元就是最优的选择。而强化学习把从环境开始到结束的整个期间（这个例子中是 3 天）叫作一个回合（episode），它的目的是使这一个回合内的整体奖励最大化，所以在强化学习中，“等待 3 天，得到 10 000 元”才是最优的选择。

也就是说，强化学习是根据能否让整体奖励最大化来评价行动的。至于如何进行评价，需要模型自己去学习。总结一下，强化学习的模型需要学习两项内容，分别是行动的评价方法和基于评价方法对行动进行选择的方法（策略）。

能对行动的评价方法进行学习是强化学习的一个优点。比如，对于围棋和象棋这样复杂的游戏，我们很难评价现在这一步下得有多好。但是，强化学习可以自己去学习评价方法。因此，对于人类通过感官和直觉来判断的过程，强化学习也是可以学习的。

但是，这也意味着行动的评价方法完全交给了模型。因为我们没有提供“标签”这样的正确答案，模型进行什么样的判断完全基于模型自己。

这个弱点和无监督学习的弱点是一致的。因此，强化学习有可能学习到违反人类直觉的评价方法，并采取违反人类直觉的行动。

04

如何学习强化学习？

强化学习是机器学习的重要分支之一，颇以入门困难、学习曲线陡峭著称。与监督学习和无监督学习算法相比，强化学习相关资料少、背景知识多、入门不友好。那有没有适合初学者入门强化学习的图书呢？今天就给大家推荐一本：《用Python动手学强化学习》。

如果你想把强化学习这门有趣的技术应用到自己的服务或项目中，那么本书就是为你量身定制的。因此，要想理解本书，需要能够看懂程序代码。不过本书的代码实现力求能让读者像读文章一样轻松看懂，所以大家不必太过担心。代码实现使用了 Python，但是本书并不包含 Python 语法的相关解说。

至于数学，各位也无须过于担心，只要具备初高中的数学水平，就可以读懂本书。不过，在学习第 4 章中的策略梯度、第 6 章中的逆强化学习的相关内容时，需要读者具备一些在大学阶段学习的线性代数和微分的知识。

最后，在本书中，一些已经非常普及的方法将仅使用中文表示，其他方法则同时给出中文和英文名称。这是因为强化学习的最新信息大多是英文的，给出英文名称可以方便大家检索。

本书的一大特色就是含有大量示例和可以直接运行的代码，比如第 1 章中给出了迷宫探索的具体示例，并通过对应的代码让读者明白如何解决这些探索问题。通过代码，读者可以直观理解强化学习的运作过程，而不是陷在公式的泥潭里无法自拔。这种写作风格也是为了实现让从业者快速入门并实践这一目标。

另外，本书涉及的知识点也较为全面：第 1 章介绍强化学习与其他技术的关系，并通过一个简单的示例让读者对强化学习有一个初步的了解；第 2 ~ 3 章分别介绍根据环境和经验制订计划的学习方法，是了解强化学习这一范式最为基础的两个章节；第 4 章着重介绍强化学习和神经网络的组合，以及深度强化学习；第 5 ~ 6 章分别介绍强化学习的一些弱点和克服弱点的方法；最后的第 7 章介绍强化学习的一些应用事例。

留言讨论：

除了下围棋和打游戏，你认为强化学习还可以用来做什么？

我们将会挑选 4 位读者，两位点赞最高，两位最走心评论

赠送《用Python动手学强化学习》

活动截止9月14日晚22:00！