李宏毅机器学习（28）

Deep Reinforcement Learning深度强化学习

Reinforcement Learning就是强化学习，最著名的应用就是Alpha Go。
有人认为AI=Deep Learning + Reinforcement Learning。

那么强化学习具体是什么呢？我们以下面的例子讲解：
有两个物体：机器Agent和环境Environment，Agent从Environment观察到的一切东西统称为状态State，Agent对Environment的改变称为行动Action，Environment根据Action传达给Agent的叫做反馈Reward。
比如下面机器把水杯打碎，又把水擦干净。


再以围棋为例，棋手就是Agent，棋局就是Environment，落子就是Action，输赢结果就是Reward。
但大多数情况，由于无法预测最后的胜负，因此Reward可能为0。

与监督学习对比。
监督学习要数据告诉机器该怎么做。但很多时候（比如围棋），人也不知道正确做法是什么。
而强化学习就不怕这个问题，机器会根据最后的结果自己学习如何做。

强化学习还可以运用于对话机器人。但面临一个问题：如何获得反馈？围棋有输赢，对话可没有。
目前没有太好的办法，只好让人来主观判断一段话将的好不好。

强化学习的难点

1. Reward可能会延迟。有些Action不会在短期产生结果，但在长期来看很重要。
2. Agent的行为会影响看到的数据，因此要让Agent会自己探索不同的Action。

Policy-based

Policy-based就是学一个Actor。所谓Actor，就是一个Function。机器观察到的state就是输入，做出的Action就是输出。而Environment对机器的Reward可以用来找出最好的Function。

我们知道，找一个Function有三个步骤：

首先，我们要决定模型，比如说模型是一个NN。输出就是选择不同Action的几率。

然后，我们要决定如何评价一个Function。设Actor为${\pi }_{\theta }(s)$。我们${\pi }_{\theta }(s)$玩一遍这个游戏就可以知道Total Reward:$R_{\theta }$，我们要最大化$R_{\theta }$。
但由于Actor和游戏本身有随机性，因此每次$R_{\theta }$每次会不一样。因此我们需要最大化的是$R_{\theta }$的期望值。

设τ={s1,a1,r1,s2,a2,r2,...,sT,aT,rT}τ=\{s_1,a_1,r_1,s_2,a_2,r_2,...,s_T,a_T,r_T\}τ={s1​,a1​,r1​,s2​,a2​,r2​,...,sT​,aT​,rT​}是一轮游戏的流程，$\theta$是当前的参数，则$\tau$出现的几率是$P(\tau |\theta )$。
枚举所有可能的$\tau$，即可算出最终分数的期望值。
但实际上不可能真的穷举，我们只能让${\pi }_{\theta }(s)$玩N轮游戏，得到${\tau }^1,{\tau }^2,...{\tau }^N$，计算这些情况下的$R_{\theta }$平均值，近似看为期望值${\bar{R}}_{\theta }$。

最后第三步，找出最好的Function。方法还是Gradient Descent。
我们要找到一组参数${\theta }^{\ast }$来最大化${\bar{R}}_{\theta }$，还是老样子求微分即可。

注意：每次只对$P(\tau |\theta )$求微分，然后进行一点变形，变成求$▽logP(\tau |\theta )$。

最后我们得到$▽logP(\tau |\theta )={\sum }_{t=1}^T▽logP(a_t|s_t,\theta )$，即在当前参数$\theta$和观察到$s_t$时，做出Action$a_t$的概率求log和。
这也是很符合直觉的。当我们在某一情况下采取了某一行动，发现结果是好的，那我们当然会增加这个几率。反之会降低这个几率。

我们观察到$▽logP(a_t^n|s_t^n,\theta )=\frac{▽P(a_t^n|s_t^n,\theta )}{P(a_t^n|s_t^n,\theta )}$，为什么要除以$P(a_t^n|s_t^n,\theta )$呢？因为我们发现，有但Action可能会出现多次，就算他的回报可能不是很好，但积少成多最后机器就会选择这个Action，尽管实际上一些这个Action并不怎么样。而真正很好的Action可能很难出现，但这才是通关的关键。因此我们要除以$P(a_t^n|s_t^n,\theta )$来消除出现次数对Gradient Descent的影响。

但有一个问题：在理想情况下，Reward比较小的Action出现几率会越来越小（就算他的Reward是正的），只有Reward相对大的Action几率才会变大。但由于我们是对每个Action进行抽样，有可能某些Action没被抽样到（比如那些Reward很大的Action），这样就会让那些Reward很小但是正的Action几率变大。这是不利于游戏的。
所以我们可以设一个基准值$b$，只有Reward超过$b$的Action几率才会增加。

还存在一个问题，我们看下图的例子。
在原始公式中，一个$\tau$周期内的所有Action所乘上的权重都是相同的（$R(\tau )$）。这似乎是反直觉的：一个周期内有那么多Action，他们有好有坏，为什么权重相同呢？而且，有时候在周期内某个Action影响力可能很大，从而掩盖了其他Action的影响力，让其他Action“躺赢”或者“背锅”显然是不合适的。


因此，我们重新设计公式：我们让每个Action的权重改为从这个Action到结束的Reward和，即：每个Action只对自己之后的事情负责，因为之前的事情和他没什么关系。这显然是符合直觉的。

我们还可以在再进一步，加入一组权重${\gamma }^x$表示距离为$x$的两个Action互相之间的影响。一般来说$\gamma <1$并且随着距离增大而减小。毕竟距离越远彼此之间越没啥关系。
我们将权重这一项统记为$A^{\theta }(s_t,a_t)$。

Critics-based

相比于Policy，Critics的评价方法很不一样：他有一个状态评价函数$V^{\pi }$，输入是Environment的一个状态State，然后根据Actor也就是$\pi$的情况，输出从当前这个状态开始到结束，一共能获得多少期望的Reward，记为$V^{\pi }(s)$。
比如打砖块时，$V^{\pi }$会输出从现在到结束大概能得多少分。
比如下围棋，$V^{\pi }$会输出现在的局势下双方胜率是多少。


那么，如何做这个$V^{\pi }$呢？一般有两种办法。

第一种，蒙特卡洛法。先观察$\pi$玩很多次游戏。然后看到一个state后将结果尽量向某一局游戏结果贴合。

第二种，时序查分算法。我们只需要知道从状态$s_a$到状态$s_b$需要做Action$a$，获得Reward$r$。那我们就可以训练一个Network，让$V^{\pi }(s_b)-V^{\pi }(s_a)$尽可能接近$r$。