整理不易，希望留個(gè)贊再走哦！！

學(xué)習(xí)路線

這個(gè)圖描述的比較清晰，藍(lán)框里是整個(gè)強(qiáng)化學(xué)習(xí)的一些概念基礎(chǔ)了，橙色是一些學(xué)習(xí)方法，可以針對(duì)性的選擇一些，廢話不多說，接下來就按照這個(gè)路線圖展開。

1. 馬爾可夫鏈

馬爾科夫鏈：用來描述智能體和環(huán)境互動(dòng)的過程

智能體在環(huán)境中，觀察到狀態(tài)(S)；

狀態(tài)(S)被輸入到智能體，智能體經(jīng)過計(jì)算，選擇動(dòng)作(A);

動(dòng)作(A)使智能體進(jìn)入另外一個(gè)狀態(tài)(S)，并返回獎(jiǎng)勵(lì)?給智能體。

智能體根據(jù)返回，調(diào)整自己的策略。 重復(fù)以上步驟，一步一步創(chuàng)造馬爾科夫鏈。

馬爾可夫鏈包含三要素：state，action，reward

2. V值和Q值

接下來是V值和Q值，從某個(gè)狀態(tài)，按照策略 ，走到最終狀態(tài)很多很多次；最終獲得獎(jiǎng)勵(lì)總和的平均值，就是V值。從某個(gè)狀態(tài)選取動(dòng)作A，走到最終狀態(tài)很多很多次；最終獲得獎(jiǎng)勵(lì)總和的平均值，就是Q值。這就是Q值，這兩個(gè)值有什么區(qū)別呢？


一個(gè)狀態(tài)的V值，就是這個(gè)狀態(tài)下的所有動(dòng)作的Q值，在策略下的期望。

Q就是子節(jié)點(diǎn)的V的期望！但要注意，需要把R計(jì)算在內(nèi)。

V值和Q值之后我們?cè)賮砹私庖幌旅商乜_（MC）和時(shí)序差分（TD）。MC和TD都是估算V值的一種方式，不同點(diǎn)是蒙地卡羅會(huì)讓智能體從某個(gè)狀態(tài)S出發(fā)，直到最終狀態(tài)，然后回過頭來給每個(gè)節(jié)點(diǎn)標(biāo)記這次的價(jià)值G。
G代表了某次，智能體在這個(gè)節(jié)點(diǎn)的價(jià)值。
而時(shí)序差分是一步一回頭。用下一步的估值，估算當(dāng)前狀態(tài)的估值。
于是得到S - A - G 的數(shù)據(jù)。這里的G就是對(duì)于狀態(tài)S，選擇了A的評(píng)分。也就是說， - 如果G值正數(shù)，那么表明選擇A是正確的，我們希望神經(jīng)網(wǎng)絡(luò)輸出A的概率增加。(鼓勵(lì)) - 如果G是負(fù)數(shù)，那么證明這個(gè)選擇不正確，我們希望神經(jīng)網(wǎng)絡(luò)輸出A概率減少。(懲罰) - 而G值的大小，就相當(dāng)于鼓勵(lì)和懲罰的力度了。

3. Q-Learning和SARSA

接下來我們開始正式了解一些常用的強(qiáng)化學(xué)習(xí)。首先是Q-learning和SARSA，這兩種方法的主要思路在于，用同一個(gè)策略下產(chǎn)生的動(dòng)作A的Q值替代V(S_(t+1)）。

可以看到他們倆的更新公式長得很像，只差一個(gè)max，SARSA的想法是，用同一個(gè)策略下產(chǎn)生的動(dòng)作A的Q值替代V(St+1)。Q-learning用所有動(dòng)作的Q值的最大值替代V(St+1)。

4. 深度強(qiáng)化學(xué)習(xí) DQN

開始進(jìn)入深度強(qiáng)化學(xué)習(xí)的部分了。為什么深度強(qiáng)化學(xué)習(xí)這么強(qiáng)，是因?yàn)樯疃葟?qiáng)化學(xué)習(xí)增加了一個(gè)很強(qiáng)的武器——深度神經(jīng)網(wǎng)絡(luò)。

深度神經(jīng)網(wǎng)絡(luò)就是一個(gè)函數(shù)。函數(shù)其實(shí)也很簡單，就是描述兩個(gè)東西的對(duì)應(yīng)關(guān)系。F(x) = y , 描述的就是x和y之間的關(guān)系。
以前的函數(shù)，需要我們?nèi)ゾ脑O(shè)計(jì)的，要設(shè)計(jì)，就要描述其中的關(guān)系。但有些東西我們明明知道他們有關(guān)系，但又不好描述清楚。
例如，手寫數(shù)字識(shí)別，一個(gè)正常人寫的數(shù)字8，我們?nèi)祟惗寄苷J(rèn)出來。但我們卻描述不出來，我們知道是兩個(gè)圈是8，但有些人的圈明明不閉合，我們也認(rèn)得出是8…

但深度神經(jīng)網(wǎng)絡(luò)這個(gè)工具就能自己學(xué)會(huì)這些關(guān)系。
我們先設(shè)一個(gè)Magic’(X),其中的X就是輸入的圖片；計(jì)算結(jié)果是各個(gè)數(shù)字的概率。這個(gè)判斷一開始通常都是錯(cuò)的，但沒關(guān)系，我們會(huì)慢慢糾正它。
糾正就需要有一個(gè)目標(biāo)，沒有目標(biāo)就沒有對(duì)錯(cuò)了。這里的目標(biāo)是我們?nèi)祟惤o他們標(biāo)注的，告訴Magic’：這是數(shù)字8。
目標(biāo)和現(xiàn)實(shí)的輸出總是有一段距離的，這段距離我們稱為損失(loss).
我們調(diào)整我們Magic’函數(shù)的參數(shù)，讓損失最小化。也就是說，離目標(biāo)越來越近。
這就是深度強(qiáng)化學(xué)習(xí)的主要思想。

Q-learning有一個(gè)問題：只能解決格子類型離散型狀態(tài)問題，對(duì)連續(xù)型狀態(tài)束手無策。
這是因?yàn)镼-learning在實(shí)做的時(shí)候用的是Q表格(Q-table)。表格這玩意兒注定就只能存離散的東西。但我們剛才說的神經(jīng)網(wǎng)絡(luò)，正好就能解決這個(gè)問題，因?yàn)樯窠?jīng)網(wǎng)絡(luò)是個(gè)函數(shù)，可以處理連續(xù)型的問題。兩者一拍即合！DQN相當(dāng)于Q-learning的Qtable換成深度神經(jīng)網(wǎng)絡(luò)，相當(dāng)于用一根曲線穿過離散狀態(tài)下所有的點(diǎn)。

Policy Gradient(PG)

這個(gè)時(shí)候我們發(fā)現(xiàn)，我們前面的方法都是通過Q值和V值來計(jì)算，也就是基于價(jià)值value。而PG用了一種全新的思路，用蒙特卡羅方法的G值來更新網(wǎng)絡(luò)。也就是說，PG會(huì)讓智能體一直走到最后，然后回溯計(jì)算G值。PG的思路比較新穎，但是缺點(diǎn)在于實(shí)際效果不太穩(wěn)定，在某些環(huán)境下學(xué)習(xí)比較困難。所以我們希望用TD來代替MC，我們可不可以把PG和DQN結(jié)合起來呢？

如果你想詳細(xì)學(xué)習(xí)這個(gè)模型，可以移步其他博客。當(dāng)然也是我學(xué)習(xí)的過程中整理出來的，會(huì)有用別人圖的情況，如果你覺得侵權(quán)可以隨時(shí)跟我說我刪帖。如果你想問原貼在哪也歡迎私信我哦！以下同理
PG原理：【強(qiáng)化學(xué)習(xí)】Policy Gradient原理
PG代碼及注釋：【強(qiáng)化學(xué)習(xí)】Policy Gradients代碼注釋版本

Actor-Critic

這個(gè)就是actor-critic思路的來源，AC準(zhǔn)確來說是PG的TD版本。通過定義兩個(gè)網(wǎng)絡(luò)，actor網(wǎng)絡(luò)和Critic網(wǎng)絡(luò)。Critic網(wǎng)絡(luò)負(fù)責(zé)估算Q值 Actor網(wǎng)絡(luò)負(fù)責(zé)估算策略。AC方法相對(duì)PG來說具有更好的性能，同時(shí)也解決了連續(xù)動(dòng)作空間的問題。

AC原理：【強(qiáng)化學(xué)習(xí)】Actor Critic原理
AC代碼及注釋：【強(qiáng)化學(xué)習(xí)】AC注釋版本
A3C原理：【強(qiáng)化學(xué)習(xí)】A3C原理
A3C代碼及注釋：【強(qiáng)化學(xué)習(xí)】A3C代碼注釋版本

PPO

下一種PPO，這是目前使用最廣泛的一種強(qiáng)化學(xué)習(xí)方法。PPO基于Actor-Critic框架，因此PPO也有兩個(gè)網(wǎng)絡(luò)，這是因?yàn)锳C可以解決連續(xù)動(dòng)作空間這一優(yōu)點(diǎn)。PPO在AC的基礎(chǔ)上主要做了兩點(diǎn)改進(jìn)，一個(gè)是延展的AC的TD(0)，變成TD(N)的N步更新。第二點(diǎn)是在AC的基礎(chǔ)上使用重要性采樣，將在線策略變成了離線策略。

PPO代碼及注釋：【強(qiáng)化學(xué)習(xí)】PPO代碼注釋版本

DDPG

DDPG就是為了解決DQN連續(xù)控制型問題而產(chǎn)生的。
DQN的神經(jīng)網(wǎng)絡(luò)就相當(dāng)于用線把Q-table的狀態(tài)連起來。那到DDPG中，Critic網(wǎng)絡(luò)就相當(dāng)于我們用一張布，把整個(gè)Q-table的所有柱子都覆蓋了。

DDPG的Actor接受輸入一個(gè)狀態(tài)，就相當(dāng)于在這塊布切沿著這個(gè)狀態(tài)S切一個(gè)面。Actor的任務(wù)就是希望在這個(gè)面上找尋最高點(diǎn)，也就是最大的Q值。

所以和AC不同，DDPG預(yù)估的是Q而不是V。而DDPG的Actor采用的是梯度上升的方式找出最大值。而AC和PPO的Actor采用帶權(quán)重更新的方法。

DDPG起源于DQN，是DQN解決連續(xù)控制問題的一個(gè)解決方法。
而DQN有一個(gè)眾所周知的問題，就是Q值會(huì)被高估。這是因?yàn)槲覀冇胊rgmaxQ(s’)去代替V(s’)，去評(píng)估Q(s)。當(dāng)我們每一步都這樣做的時(shí)候，很容易就會(huì)出現(xiàn)高估Q值的情況。
而這個(gè)問題也會(huì)出現(xiàn)在DDPG中。而要解決這個(gè)問題的思路，也在DQN的優(yōu)化版本中。相信大家很快就明白，就是double DQN。

TD3

在TD3中，我們可以用了兩套網(wǎng)絡(luò)估算Q值，相對(duì)較小的那個(gè)作為我們更新的目標(biāo)。這就是TD3的基本思路。

我們可以再次回到我們關(guān)于“布”的想象。
在DDPG中，計(jì)算target的時(shí)候，我們輸入時(shí)s_和a_，獲得q，也就是這塊布上的一點(diǎn)A。通過估算target估算另外一點(diǎn)s，a，也就是布上的另外一點(diǎn)B的Q值。
在TD3中，計(jì)算target時(shí)候，輸入s_到actor輸出a后，給a加上噪音，讓a在一定范圍內(nèi)隨機(jī)。這又什么好處呢。
好處就是，當(dāng)更新多次的時(shí)候，就相當(dāng)于用A點(diǎn)附近的一小部分范圍（準(zhǔn)確來說是在s_這條線上的一定范圍）的去估算B，這樣可以讓B點(diǎn)的估計(jì)更準(zhǔn)確，更健壯。

總結(jié)

以上是生活随笔為你收集整理的【强化学习】一文带你理清强化学习的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。