深度強化學習是一個很有意思，值得持續(xù)研究的方向?，F(xiàn)在深度學習大熱，一點也不輸給現(xiàn)在的室外氣溫，但大熱背后也有隱憂，也就是深度學習雖然表面光鮮，但細看就會發(fā)現(xiàn)：仍然充滿了槽點。這里說兩個“費”。第一個“費”是費錢，深度學習的模型越來越大，越來越復雜，訓練模型不但需要得到高檔GPU的算力加持，才可能在可接受的時間內完成，而且非常費電，這里說的不是多了幾百塊的電費，而是訓練一輪，光電費就可能高達幾百萬美元。無論是GPU還是高電費，深度學習都越來越有點吞金巨獸的意思，所以有人悲觀地認為，照這樣發(fā)展下去，未來深度學習領域最終可能淪為“氪金玩家”的專屬游戲。



當然這個“費”存有爭議，暫且不展開了，而第二“費”則基本得到公認，這就是費數(shù)據(jù)。訓練模型需要數(shù)據(jù)，這是常識，雖然數(shù)據(jù)規(guī)模和訓練效果還不至于是赤裸裸的線性關系，不過大致可以認為是呈正比，而越是大型的模型，就越需要大量的數(shù)據(jù)。這就帶來兩個問題，第一個問題是數(shù)據(jù)從哪來？大家都說現(xiàn)在是大數(shù)據(jù)時代，數(shù)據(jù)是海量的，問題是，這些都是未經標識的數(shù)據(jù)。這有什么問題呢？我們馬上會提到一個術語，叫有監(jiān)督學習，現(xiàn)在深度學習用得最多的就是有監(jiān)督學習。有監(jiān)督學習不妨理解成“有參考答案的學習”，它有一個特點，就是數(shù)據(jù)必須經過標識才能用于訓練。這些大量未經標識的數(shù)據(jù)在有監(jiān)督學習看來還真有點像大海，不過是孤島求生者眼里的大海，自己明明口干得都要冒煙了，而眼前就是茫茫無際的海水，卻一滴也不能用于解渴。現(xiàn)在學界也在想辦法，提出了半監(jiān)督學習、遷移學習等等思路，希望深度學習模型不再這么費數(shù)據(jù)。



另一個問題就更直擊靈魂了。很多研究人員，甚至包括有不少的大牛都在反思，琢磨深度學習是不是“錯了”。如果說人工智能發(fā)展的正道在于模擬人類智能，那深度學習的這套學習模式可能走了歪路。為什么這么說呢？這也要從深度學習的“費數(shù)據(jù)”說起。這一派研究人員，愛舉一個例子，就是人類的小嬰兒學走路。小嬰兒學走路肯定不是靠先看一大堆的《如何解鎖行走姿勢》或者《人類直立動作大全》之類的資料，用行話來說，就是不必依賴外部輸入大量的訓練數(shù)據(jù)。那小嬰兒是怎么學的呢？靠不斷嘗試，也就是我們常說的跌倒了爬起來再走。簡單來說，這一派研究人員認為：深度學習和人類的學習模式是截然不同的，別看現(xiàn)在大紅大紫，早晚是要碰到天花板的。那應該怎么改呢？很多人都指了指同一個地方，就是本章的主角——深度強化學習。



深度強化學習這個名字很長，看起來像是深度學習的plus版，其實它是兩套理論體系乘風破浪以后的成團產物，這兩套體系本來都是單飛型選手，分別是深度學習和強化學習，具體來說，深度強化學習的骨架來自強化學習，而靈魂則是由深度學習賦予。



所以，要講明白深度強化學習，首先得講明白深度學習和強化學習分別是怎么一回事。深度學習講得很多了，這里講講強化學習。說到強化學習，忍不住先聊一個八卦?，F(xiàn)在市面上人工智能題材的書很多，非常多，擺在書架上滿滿當當?shù)亩际?#xff0c;而作者們似乎都有一個約定俗成的“癖好”，開篇都要扯AlphaGo的虎皮做大旗。當然了，AlphaGo名氣很大，這款由人工智能研究團隊DeepMind推出的棋類AI產品，當年在與人類頂尖棋手的對弈中一戰(zhàn)封神，確實難怪只要提到人工智能，就不得不提兩句AlphaGo，不然總感覺像是漏了點什么。



這沒什么問題，問題在于開篇就登場的AlphaGo，往往在大多數(shù)的書里都只不過是工具人，哦不，是工具狗。為什么這么說呢？因為大多數(shù)的書，哪怕是很多專講機器學習、深度學習的技術書，似乎都巧妙地錯過了AlphaGo所使用的一個核心技術，這就是強化學習。



也許當年我們看AlphaGo的新聞，除了“哇厲害”就沒有留下其它印象了，這里稍微回憶一下。當年AlphaGo一共迭代了三個版本，分別是戰(zhàn)勝李世石的一代目AlphaGo Lee、戰(zhàn)勝柯潔的二代目AlphaGo Master，以及吊打前兩代的三代目AlphaGo Zero。這三代棋藝當然是逐代遞增了，技術上也有一個明顯的變化趨勢，就是強化學習的比重越來越大。最開始訓練AlphaGo的模型，是需要用借助人類的棋譜的，也就是需要參考答案。原因我們前面介紹過了，因為用到了有監(jiān)督學習，這是也是當前用得最多的方法。



而當進化到了AlphaGo Zero，哥們開始“悟了”，對，是真正意義上的悟了，不再需要任何棋譜，完全自食其力，從零開始自學成才，所以名字叫Zero。親爹DeepMind喜不自勝，跑到Nature發(fā)了一篇爆款論文，名字叫《Mastering the game of go without human knowledge》，我看中文不妨就翻譯為《圍棋滅霸》，反正意思就是“你們人類都是渣渣，我不需要人教也能稱霸棋壇”。這次是真·不用人教，那靠什么自學呢？就是強化學習。雖然這篇論文標題的中二感爆表，但AlphaGo Zero的學習模式非常類似于人類，而且取得了無可非議的良好效果，確實讓業(yè)內所有人都真真切切地感受到了強化學習的驚人潛力，也許這才是AlphaGo最讓人震撼的地方。



說了這么多強化學習，那什么是強化學習呢？



強化學習是機器學習中的一種。機器學習有幾大類，包括有參考答案的有監(jiān)督學習，常見的分類問題、回歸問題都屬于有監(jiān)督學習；沒有參考答案的無監(jiān)督學習，譬如聚類問題；還有就是強化學習。強化學習這名字有點讓人摸不著頭腦，英文叫Reinforcement Learning，reinforcement有加深、增強的意思。我們臨考前都喜歡抱佛腳，拿著一段難記的材料反復背反復背，這叫“強化記憶”，強化學習里的“強化”也有點這個意思。



強化學習和有監(jiān)督學習、無監(jiān)督學習都不太一樣，有一個智能體（Agent）的概念。什么是智能體呢？大家應該都玩過任天堂的一款經典FC橫版通關游戲——馬里奧兄弟。在游戲中，玩家通過控制馬里奧頂蘑菇、踩烏龜來取得勝利，如果想用強化學習來通關，那這里的智能體指的就是馬里奧。

智能體是強化學習的第一個重要概念，是主角，但強化學習作為一臺好戲，自然不能光有主角，還得有舞臺，這就是強化學習的第二個重要概念，環(huán)境（Environment）。強化學習的學習過程，就是作為主角的智能體和作為舞臺的環(huán)境不斷交互的過程。這個過程又包括三個重要概念，分別是觀察（Observation）、動作（Action）和獎勵（Reward）。這五個概念可謂是強化學習的五線譜，能夠演奏出無數(shù)美妙動人的旋律。



那么，這五個概念是怎么進行演奏呢？



首先一條就是主線，前面已經介紹，強化學習的主線就是作為主角智能體，與作為舞臺的環(huán)境所作的各種交互。交互過程衍生了三個概念，聽起來復雜，其實玩馬里奧兄弟游戲非常相像，完全可以一對一比照。

回想一下，游戲里的馬里奧想要通關，第一步需要干什么呢？前進后退還是蹦蹦跳跳？都不對，首先需要觀察。你得先看一下周圍環(huán)境，看看前面到底蘑菇還是烏龜，才能決定接下來的行動。觀察環(huán)境，獲取當前的狀態(tài)信息了，才決定下一步行動對不對？強化學習也一樣，主角智能體通過前面介紹的第三個重要概念“觀察”，來獲得當前時刻的各種狀態(tài)信息，一般記為s(t)。



掌握了狀態(tài)信息，游戲里的馬里奧開始躍躍欲試，準備做出反應了。強化學習也一樣，我們將s(t)作為智能體的輸入，智能體會略加思索，接著就能做出“動作”。這里的動作，就是前面介紹的第四個重要概念。智能體能做出哪些動作呢？這和具體的場景有關，譬如在馬里奧游戲中，動作就是指“頂蘑菇”或者“踩烏龜”，一般記為a(t)。



最后一個重要概念是“獎勵”。這個好理解，前面我們一再強調，強化學習的主線是智能體與環(huán)境的各種交互，那現(xiàn)在當智能體做出某個動作后，環(huán)境當然也得有所表示，得有個反饋信息，這就是獎勵。譬如馬里奧游戲中，馬里奧“吃到金幣”后，相應的游戲得分就會增加，這就是獎勵。需要說明一點，強化學習的“獎勵”和我們日常所習慣的用法略有不同，強調的是環(huán)境對智能體的反饋。上面說的得分增加，這是一種好的反饋，當然也有壞的反饋，譬如做了什么動作被扣分了，但無論是好的反饋，還是壞的反饋，在強化學習這里都統(tǒng)一稱為“獎勵”。



至此，智能體就完成了一輪強化學習。不斷重復這輪流程，智能體就能順利地與環(huán)境交互下去。聽起來是不是很簡單？不過，魔鬼都藏在細節(jié)里。不知道大家在閱讀時，有沒有注意到強化學習的一個非常重要的問題，上面卻一筆帶過？沒錯，就是從獲取s(t)到做出a(t)之間的“略加思索”。作為輸入的狀態(tài)信息，和作為輸出的待選動作，都是給定好的，但二者的映射關系如何，也就是輸入什么樣的狀態(tài)信息該對應輸出什么樣的動作反應，也就是智能體應該如何進行思考。



這是強化學習最核心的問題。



有了問題，自然就會產生各種腦洞。我們說強化學習的五個概念像是五線譜，演奏出無數(shù)美妙旋律，這絕對不是藝術化的比喻，而是實情。為了解決強化學習這個核心問題，研究人員是真真切切地開了無數(shù)的腦洞，總的來說，主要是朝著兩大方向開腦洞。



第一個大方向叫基于價值（Value-Based）的強化學習。機器學習都有個目標函數(shù)的概念，而基于價值的強化學習，它的目標函數(shù)就是累計獎勵最大化，也就是當前哪個動作能讓得分更高就選擇做哪個動作。這很符合我們的直覺認知，比較容易理解。那怎么達到這個目標呢？不同的算法各有不同，基于價值（Value-Based）的強化學習算法中，最有名氣的算法應該數(shù)Q-Learning，也有人稱為Q學習，通過不斷計算和更新動作價值函數(shù)Q來實現(xiàn)獎勵最大化。



第二個大方向叫基于策略（Policy-Based）的強化學習?；趦r值雖然符合直覺，但這種走一步看一步，每次都要用價值函數(shù)量一下才能行動的做法，難免讓人有種“無頭蒼蠅瞎轉”的無力感，而基于策略的強化學習最大的特點就是果斷拋棄了價值函數(shù)，嘗試找到每個狀態(tài)對應的最佳動作，從而形成一套動作策略，每走一步策略都能直接給出最佳的下一步動作。



當然，除了這兩大方向，強化學習還有其它的腦洞方向，譬如基于模型（Model-Based）的強化學習，不過由于成本和難度較高，用得比較少。而這兩大方向都各自包含了大量的具體實現(xiàn)算法，即使方向相同，各個算法在細節(jié)上仍然有很大差異。



最后一個問題是，深度學習是怎樣和強化學習結合，成為深度強化學習的呢？



前面我們說，深度強化學習，強化學習是骨架，深度學習是靈魂，這是什么意思呢？深度強化學習的主要運行機制，其實與強化學習是基本一致的，也都是根據(jù)輸入的s(t)，找到對應的輸出a(t)，只不過使用了深度神經網絡來完成這一過程。



更有甚者，有的深度強化學習算法，干脆直接在現(xiàn)成的強化學習算法上，通過添加深度神經網絡來實現(xiàn)一套新的深度強化學習算法，非常有名的深度強化學習算法DQN就是典型的例子。前面我們介紹基于價值的強化學習算法中介紹了Q-Learning算法，有一個重要的步驟是計算Q值，而傳統(tǒng)的Q-Learning算法是通過Q表來完成計算的，但表格存在一個明顯的局限性，狀態(tài)-動作空間越大，Q表就越膨脹，而且是大一點就膨脹好幾圈。這樣下去不行的，早晚是要河邊見的……



那怎么改善呢？研究人員一想，現(xiàn)在大熱的深度神經網絡不是最擅長干這事嗎？于是一拍大腿，不再需要勞駕Q表您老人家來記錄Q值了，統(tǒng)統(tǒng)改成了深度神經網絡，這就是DQN。雖然聽起來改動不大，但兩者結合效果很好，能力提升明顯，現(xiàn)在成了一款廣為使用的深度強化學習算法。

?

文章作者簡介：

莫凡??

網名木羊同學。娛樂向機器學習解說選手，《機器學習算法的數(shù)學解析與Python實現(xiàn)》作者，前沿技術發(fā)展觀潮者，擅長高冷技術的“白菜化”解說，微信公眾號“睡前機器學習”，個人知乎號“木羊”。

掃碼關注作者公號



推薦閱讀：

01

《機器學習算法的數(shù)學解析與Python實現(xiàn)》

點擊鏈接了解詳情

如果你之前不太了解機器學習，現(xiàn)在想要了解機器學習的主流算法和原理，并希望快速、清晰地建立對機器學習的“大局觀”，但是擔心一上來就被各種艱澀的數(shù)學公式“揍”得眼冒金星，那這本書就是你想要的。

02

《邊做邊學深度強化學習：PyTorch程序設計實踐》

點擊鏈接了解詳情



化繁為簡，既沒有復雜的符號邏輯，也沒有大篇幅的公式推導，旨在讓讀者快速上手，使用深度強化學習方法解決問題。

03

《深度強化學習：學術前沿與實戰(zhàn)應用》?

點擊鏈接了解詳情



北京理工大學劉馳教授團隊撰寫！更全面的深度強化學習指南！詳解深度強化學習領域近年來重要進展及其典型應用場景，涵蓋新的理論算法、工程實現(xiàn)和領域應用（涉及游戲、機器人控制、計算機視覺和自然語言處理四大領域）。

更多精彩回顧

書訊 |華章計算機拍了拍你，并送來了8月書單（下）

書訊 |?華章計算機拍了拍你，并送來了8月書單（上）

上新 |?遷移學習：邁向真正的人工智能
書單 |?“ABCD”,未來頗具潛力的四大信息技術方向

干貨 |?周志華新作《機器學習理論導引》閱讀攻略

收藏 |?DB-Engines 8 月數(shù)據(jù)庫排名：Redis悄悄拔高，猛超Elasticsearch

點擊閱讀原文了解更多AI好書

總結

以上是生活随笔為你收集整理的那些年玩过的超级玛丽，竟然还隐藏了强化学习的这些原理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。