一文带你理解深度强化学习！
这里贴上一篇好的知乎回答：https://zhuanlan.zhihu.com/p/25239682
接下来就是WYY博主的边学边整理的笔记了~
这位正在看屏幕的同学，你知道什么是深度强化学习吗？如果你不知道，请往下看吧~
第一部分：DRL的基础知识
DRL（Deep Reinforcement Learning）分为model-based和model-free两种方法。Model of the environment：model是对真实世界（environment）的模拟，model建模的是agent采样action后环境的反应。RL中，使用model和planning的方法被称为model-based，反之不使用model而是通过try-and-error学习policy的方法被称为model-free。本文范畴即是model-free。其中model-free中有Value-based和Policy-base两种主要的方法，由于我接下来的工作需要用到Value-based中的DQN算法，所以我主要学习这种算法，关于其他的，大家可以看上面的知乎中的链接，写的很好。
好啦，跟着阿鸵一起来看一下深度强化学习的基础知识吧！
深度强化学习的四元组是：状态、动作、奖励和策略，最不好理解的便是“策略（policy）”， Policy是指Agent是在状态s时，所要做出action的选择。policy可以视为在Agent感知到环境s后到动作a的一个mapping。如果策略是随机的，policy是根据每个动作概率选择动作；如果策略是确定性的，policy则是直接根据状态s选择出动作。（好啦，看了上面的话，不仅没有搞清楚什么是策略，反而把策略和动作搞混了，不要紧，再继续看一下下面的，或许会清晰一些）
大神说，策略不就是，怎么动作嘛~
奖励，是指智能体和环境交互之后，环境给智能体的反馈，即这个动作是好还是坏。智能体的目标并不是当前奖励最大，而是平均累计回报最大。
Value function（值函数）是策略在某状态下的长期期望收益。与之类似的一个函数是Q函数，在某状态下，采取某动作的长期期望收益。
哦！原来是这么一回事啊，我总算对以上的概念有了一个清晰的理解了。对了，最近刚用上粉底液和粉扑，感觉一秒磨皮！我去喝点水，回来继续写！（听说戴口罩可以保持脸部皮肤湿润哟，怪不得最近感觉皮肤也挺好的）
继续看，强化学习最重要的基础是MDP（Markov Decision Process）马尔可夫决策过程。马儿最明显的一个特征是，在某状态下，采取某动作之后的奖励，只跟当前的状态和动作有关，与历史状态无关（如果跟历史状态有关，就把这个状态封装到当前状态就好了）。❤Bellman等式：
Bellman等式是指某状态下，采取某策略后，下一时刻奖励值以及折扣因子乘以值函数后的平均奖励。Bellman最优等式是指，把上面的策略，换成能够使奖励最大的策略。
❤ MC、TD方法：
Monte-Carlo method适用于“情节式任务”（情节任务序列有终点，与“情节式任务”相对应的是“连续型任务”）。Q(s,a)就是整个序列的期望回报。MC增量更新中的Monte-Carlo error：
TD（Time Difference） method，是Monte-Carlo和Dynamic Programming 方法的一个结合。相比MC方法，TD除了能够适用于连续任务外，和MC的差异从下图可以清楚看到。MC需要回退整个序列更新Q值，而TD只需要回退1步或n步更新Q值。因为MC需要等待序列结束才能训练，而TD没有这个限制，因此TD收敛速度明显比MC快，目前的主要算法都是基于TD。下图是TD和MC的回退图，很显然MC回退的更深。
知乎文章作者举的这个例子特别好：
直观理解MC error和TD error的差异，假设RL的任务要预估的是上班的"到公司时长"，状态是目前的位置，比如“刚出门”“到地铁了”“到国贸站了”...。MC方法需要等到真正开到公司才能校验“刚出门”状态时预估的正确性，得到MC error；而TD则可以利用“刚出门”和“到地铁了”两个状态预测的差异的1-step TD error来迭代。
1-step TD error：
n-steps TD error：
error:
事实上，MC error可以视为一个情节任务的max-step TD error。另外，一般来说，在TD error中，n越大，用到的真实回报信息更多，收敛也会越快。
大神说，那TD不是就是贪心的吗？
好啦，恭喜你，已经把DL相关的基础知识都看完了，接下来开始进修了！
第二部分.DRL：from Q-learning to DQN
确认过眼神，是饿了的人。但是还是要写一会，再学习20min。
Q-learning是一种TD方法，也是一种Value-based的方法。所谓Value-based方法，就是先评估每个action的Q值(Value)，再根据Q值求最优策略的方法。强化学习的最终目标是求解policy，因此Value-based的方法是一种“曲线救国”。Q-learning算法的核心就是我们前面Bellman optimality equation，即：
Q-learning是RL的很经典的算法，但有个很大的问题在于它是一种表格方法，也就是说它根据过去出现过的状态，统计和迭代Q值。一方面Q-learning适用的状态和动作空间非常小；另一方面但如果一个状态从未出现过，Q-learning是无法处理的。也就是说Q-learning压根没有预测能力，也就是没有泛化能力。
太神奇了吧，昨天大神就说那是不是一个状态如果没出现，就没办法┐(ﾟ～ﾟ)┌处理。
为了能使得Q-learning能够带有预测能力，熟悉机器学习的同学很容易想到这就是一个回归问题啊！用函数拟合Q：
模型有很多种选择，线性的或非线性的。传统的非深度学习的函数拟合更多是人工特征+线性模型拟合。这几年伴随着深度学习最近几年在监督学习领域的巨大成功，用深度神经网络端到端的拟合Q值，也就是DQN，似乎是个必然了。
DQN终于出现，也就是说DQN是利用了深度神经网络来拟合Q值，使Q-learning带有预测能力。
deepmind 在2013年的 Playing Atari with Deep Reinforcement Learning 提出的DQN算是DRL的一个重要起点了，也是理解DRL不可错过的经典模型了。网络结构设计方面，DQN之前有些网络是左图的方式，输入为S，A，输出Q值；DQN采用的右图的结构，即输入S，输出是离线的各个动作上的Q值。之所以这样，左图方案相对右图最大的缺点是对于每个state，需要计算次前向计算，而右图则只需要一次前向计算即可，因此左图的前向计算成本与action的数量成正比。
论文中，解决的问题是Atari游戏问题，输入数据（状态S）就是游戏原始画面的像素点，动作空间是摇杆方向等。
问：为啥是左图做了A次前向运算但是右图做了1次呢？答： 右图中输出是离线的各个动作上的Q值。 即根据现在状态预测所有动作的奖励。也就是只进行了一次前向计算。
先写这么多，回来再继续写。不能赶，要保证理解和质量。
毛血旺可真辣，甜点叫豌豆黄~
继续开始了下午的学习，大神说他做一个研究的一般步骤是：1）先看一下这个领域的资料，对该领域有一个大致了解；2）读一下最新的论文，看看解决了什么问题；3）思考一下未解决的问题是什么，应该如何解决。
DQN具体的网络结构见下：实际输入是游戏的连续4帧画面，不只使用1帧画面是为了感知环境的动态性，接两层CNN，两层FNN，输出各个动作的Q值。
因为DQN本身是个回归问题，模型的优化目标是最小化1-step TD error的平方loss，梯度的计算也很直接了，见下图。
DQN最终能够取得成功的一方面是采用了DNN网络进行Q值的函数拟合，end-to-end的模型训练。更重要的是引入了以下两个点：
（1）Experience Replay： Deep Learning取得重大进展的监督学习中，样本间都是独立同分布的。而RL中的样本是有关联的，非静态的（highly correlated and non-stationary），训练的结果很容易难以收敛。Experience Replay机制解决这个问题思路其实很简单，构建一个存储把样本都存储下来，通过随机采样去除相关性。（当然没有天下免费的午餐，这种方法也有弊端，比如off-policy受到了限制，也不是真正的online-learning，具体在A3C部分会展开分析）
上述加粗部分的内容，在文章开头的知乎里面，想了解的可以看一下。
（2）separate Target Network：原始的Q-learning中，在1-step TD return，样本标签y使用的是和训练的Q-network相同的网络。这样通常情况下，能够使得Q大的样本，y也会大，这样模型震荡和发散可能性变大。而构建一个独立的慢于当前Q-Network的target Q-Network来计算y，使得训练震荡发散可能性降低，更加稳定。
昨天记得笔记（最上面的粉色字）部分就是在说这样一件事，大概意思就是有一个target q network，更新的比q network要慢，然后用它来学习策略。如果是同步的，那就是q越大的策略 采取这个策略的可能就越大。
具体解释：所以这个v是根据之前采取的策略学习的，然后采取什么策略又是根据v决定的，所以如果同步更新那就会一开始偏好哪个策略，然后就会哪个策略越来越多，然后就会越来越偏。因为这个表格里面只有这个策略有值，然后就会不断的选择它，然后这个表格里的这个策略就更多了。但是如果这个v比较慢，就有可能遍历更多的策略，这样就学的好。
另外，TD-error也被clip到[-1,1]区间，增加模型的稳定性。部分思路和我们后续分享的的TRPO算法的置信区间相关。
我们前面提到的两种方法都以依赖于 Q-Table，但是其中存在的一个问题就是当 Q-Table 中的状态比较多，可能会导致整个 Q-Table 无法装下内存。因此，DQN 被提了出来，DQN 全称是 Deep Q Network，Deep 指的是通的是深度学习，其实就是通过神经网络来拟合整张 Q-Table。
DQN 能够解决状态无限，动作有限的问题；具体来说就是将当前状态作为输入，输出的是各个动作的 Q 值。以 Flappy Bird 这个游戏为例，输入的状态近乎是无限的（当前 bird 的位置和周围的水管的分布位置等），但是输出的动作只有两个(飞或者不飞)。实际上，已经有人通过 DQN 来玩这个游戏了，具体可参考这个DeepLearningFlappyBird
所以在 DQN 中的核心问题在于如何训练整个神经网络，其实训练算法跟 Q-Learning 的训练算法非常相似，需要利用 Q 估计和 Q 现实的差值，然后进行反向传播。
这里放上提出 DQN 的原始论文Playing atari with deep reinforcement learning中的算法流程图
原博客链接：https://www.cnblogs.com/shixiangwan/p/11351782.html
详细的DQN算法：
附DQN15年发表在nature的文章 Human-level control through deep reinforcement learning
补充一个我自己画的图：
发现了一个写的很好的：
上面的算法跟 Q-Learning 最大的不同就是多了Experience Replay这个部分，实际上这个机制做的事情就是先进行反复的实验，并将这些实验步骤获取的 sample 存储在 memory 中，每一步就是一个 sample，每个sample是一个四元组，包括：当前的状态，当前状态的各种action的 Q 值，当前采取的action获得的即时回报，下一个状态的各种action的Q值。拿到这样一个 sample 后，就可以根据上面提到的 Q-Learning 更新算法来更新网络，只是这时候需要进行的是反向传播。
Experience Replay 机制的出发点是按照时间顺序所构造的样本之间是有关的(如上面的ϕ(st+1)会受到ϕ(st)的影响)、非静态的（highly correlated and non-stationary），这样会很容易导致训练的结果难以收敛。通过 Experience Replay 机制对存储下来的样本进行随机采样，在一定程度上能够去除这种相关性，进而更容易收敛。当然，这种方法也有弊端，就是训练的时候是 offline 的形式，无法做到 online 的形式。
除此之外，上面算法流程图中的 aciton-value function 就是一个深度神经网络，因为神经网络是被证明有万有逼近的能力的，也就是能够拟合任意一个函数；一个 episode 相当于 一个 epoch；同时也采用了ϵ−greedyϵ−greedy策略。
后续关于DQN有三个主要改进点：
（1）Double Q-Network：思路并不新鲜，仿照Double Q-learning，一个Q网络用于选择动作，另一个Q网络用于评估动作，交替工作，解决upward-bias问题，效果不错。三个臭皮匠顶个诸葛亮么，就像工作中如果有double-check，犯错的概率就能平方级别下降。Silver15年论文Deep Reinforcement Learning with Double Q-learning
（2）Prioritized replay：基于优先级的replay机制，replay加速训练过程，变相增加样本，并且能独立于当前训练过程中状态的影响。这个replay权重还是和DQN error（下图）有关，Silver16年论文PRIORITIZED EXPERIENCE REPLAY。
（3）Dueling network：在网络内部把Q(s,a) 分解成 V(s) + A(s, a)，V(s)与动作无关，A(s, a)与动作相关，是a相对s平均回报的相对好坏，是优势，解决reward-bias问题。RL中真正关心的还是策略的好坏，更关系的是优势，另外在某些情况下，任何策略都不影响回报，显然需要剔除。ICML 2016 Best Paper：DUELING NETWORK ARCHITECTURES FOR DEEP REINFORCEMENT LEARNING 。Dueling Network网络架构如下，Dueling Network把网络分成一个输出标量V(s)另一个输出动作上Advantage值两部分，最后合成Q值。非常巧妙的设计，当然还是end-to-end的，效果也是state-of-art。Advantage是一个比较有意思的问题，A3C中有一个A就是Advantage。
上面提到的 DQN 是最原始的的网络，后面Deepmind 对其进行了多种改进，比如说 Nature DQN 增加了一种新机制separate Target Network，就是计算上图的yjyj的时候不采用网络QQ, 而是采用另外一个网络(也就是 Target Network)Q'Q′, 原因是上面计算yjyj和 Q 估计都采用相同的网络QQ，这样使得QQ大的样本，yy也会大，这样模型震荡和发散可能性变大，其原因其实还是两者的关联性较大。而采用另外一个独立的网络使得训练震荡发散可能性降低，更加稳定。一般Q'Q′会直接采用旧的QQ, 比如说 10 个 epoch 前的QQ.
除此之外，大幅度提升 DQN 玩 Atari 性能的主要就是 Double DQN，Prioritised Replay 还有 Dueling Network 三大方法；这里不详细展开，有兴趣可参考这两篇文章：DQN从入门到放弃6 DQN的各种改进和深度强化学习（Deep Reinforcement Learning）入门：RL base & DQN-DDPG-A3C introduction。
问题突然就来了
第三部分、Policy-Based method：概率输出&连续动作空间
DQN虽然在Atari游戏问题中取得了巨大的成功，但适用范围还是在低维、离散动作空间。DQN是求每个action的，在连续空间就不适用了，原因如下：
（1) 如果采用把连续动作空间离散化，动作空间则会过大，极难收敛。而且每个动作空间划分成很多个离散动作无法做到fine-tuning，划分本身也带来了信息损失。
（2）即便是有些DQN的变种如VAE能够给出连续动作的方案，DQN的第二个问题是只能给出一个确定性的action，无法给出概率值。而有些场景，比如围棋的开局，只有一种走法显然太死板了，更多例子不再介绍了。
从另外一个角度看，DQN是Value-based方法，上一节讲到了Value-based的方法还是在间接求策略。一个自然的逻辑是为什么我们不直接求解Policy？这就是Policy Gradient方法了。
有人突然的吹口哨，也是挺奇怪的。
Deep Q-learning
2013年，DeepMind 在 NIPS workshop上提出了 Deep Q-learning，主要工作是能让 AI 从像素输入学会完 Atari游戏，后来进行了一些改进后上了 2015 年的 nature 封面。
如果状态空间是连续的，动态规划的状态数就是无限的，所以我们用深度学习网络去拟合这个 Q 函数，这就是 DQN。
通常 DQN 的实现中，会把收集的（状态、动作、执行动作后的状态和奖励）存在内存中，训练的时候多次使用，称为 memory replay。
注意到每个（状态，动作）的 Q 值要拟合 （当前得到的奖励加上（执行动作后的新状态，新动作）的 Q 值），一个函数拟合自己可能引入额外的噪声，所以通常使用一个延迟更新的函数 Q' 来求新的 Q 值，称为 target network。
不要慌，我们接下来的工作，符合这个要求。
DQN的控制空间，至少必须是离散的。
因为算法优化Q网络的时候用的Bellman Equation里面有一个求max的函数。
离散空间还能遍历一下找到max，连续空间这个过程非常耗时。
所以…离散空间DQN才适用。
连续空间请搜索DDQN，哈哈。
发现了更好的一个博客：https://blog.csdn.net/qq_16234613/article/details/80268564
写的可真是太好了！
