深度学习大部分是监督学习，而且需要海量，高质量的数据对。这在现实世界，是非常难的事情。人类的学习过程里，不可能让一个孩子，看一亿张图片，才学会识别一只猫。

强化学习则更像人类的学习过程，这次3天达到世界顶尖高手水平的alpha zero也是基于强化学习的算法，从0开始。连接主义学习里，有监督学习，非监督学习，还有强化学习，强化学习靠环境提供的强化信号对动作的优劣做评价。

下面这篇文章对RL做了很好的总结：

http://karpathy.github.io/2016/05/31/rl/

OpenAI gym提供一个很好的强化学习的工具箱：

https://github.com/openai/gym

我们看看强化学习能做什么有意思的事情。

Atari是一个古老的打乒乓球的游戏。

再看一个MDP决策：

我们就让RL做类似的事情，本文先介绍让计算机从像素开始学会打乒乓球。

乒乓球的游戏规则就不多介绍，直接看系统如何实现，我们不只针对这个游戏做系统设计，我们设计尽量通过的系统，能完成更多任务，看如下的策略网络。

pip install gym,这个强化学习的开发包是需要的。atari_py这个包也是需要的。

t_states = tf.placeholder(tf.float32, shape=[None,80,80])
# policy network
network = InputLayer(t_states, name='input')
network = DenseLayer(network, n_units=H, act=tf.nn.relu, name='hidden')
network = DenseLayer(network, n_units=3, name='output')
probs = network.outputs
sampling_prob = tf.nn.softmax(probs)t_actions = tf.placeholder(tf.int32, shape=[None])
t_discount_rewards = tf.placeholder(tf.float32, shape=[None])
loss = tl.rein.cross_entropy_reward_loss(probs, t_actions, t_discount_rewards)
train_op = tf.train.RMSPropOptimizer(learning_rate, decay_rate).minimize(loss)

这里损失函数，我们仍然使用交叉熵损失：

cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, targets=actions)

但在这个基础上，乘以环境反馈的回报reward：

loss = tf.reduce_sum(tf.multiply(cross_entropy, rewards))

action = tl.rein.choice_action_by_probs(prob.flatten(), [1,2,3])
observation, reward, done, _ = env.step(action)

每一次行动，系统会给出一个reward,奖励或惩罚，然后训练最优的行动方案。

强化还可以做很多很酷的事情，后续继续更新。

关于作者：魏佳斌，互联网产品/技术总监，北京大学光华管理学院（MBA）,特许金融分析师（CFA），资深产品经理/码农。偏爱python，深度关注互联网趋势，人工智能，AI金融量化。致力于使用最前沿的认知技术去理解这个复杂的世界。

扫描下方二维码，关注：AI量化实验室（ailabx），了解AI量化最前沿技术、资讯。