Easy RL 強化學習教程

第 1 章緒論 1

1.1 強化學習概述 1

1.1.1 強化學習與監(jiān)督學習 1

1.1.2 強化學習的例子 5

1.1.3 強化學習的歷史 7

1.1.4 強化學習的應用 8

1.2 序列決策概述 10

1.2.1 智能體和環(huán)境 10

1.2.2 獎勵 10

1.2.3 序列決策 10

1.3 動作空間 12

1.4 強化學習智能體的組成部分和類型 12

1.4.1 策略 13

1.4.2 價值函數 13

1.4.3 模型 14

1.4.4 強化學習智能體的類型 16

1.5 學習與規(guī)劃 19

1.6 探索和利用 20

1.7 強化學習實驗 22

1.7.1 Gym 23

1.7.2 MountainCar-v0 例子27

1.8 關鍵詞 30

1.9 習題 31

1.10 面試題 32

參考文獻 32



第 2 章馬爾可夫決策過程 33

2.1 馬爾可夫過程 34

2 | Easy RL：強化學習教程

2.1.1 馬爾可夫性質 34

2.1.2 馬爾可夫過程/馬爾可夫鏈 34

2.1.3 馬爾可夫過程的例子 35

2.2 馬爾可夫獎勵過程 36

2.2.1 回報與價值函數 36

2.2.2 貝爾曼方程 38

2.2.3 計算馬爾可夫獎勵過程價值的迭代算法 42

2.2.4 馬爾可夫獎勵過程的例子 43

2.3 馬爾可夫決策過程 44

2.3.1 馬爾可夫決策過程中的策略 44

2.3.2 馬爾可夫決策過程和馬爾可夫過程/馬爾可夫獎勵過程的區(qū)別 45

2.3.3 馬爾可夫決策過程中的價值函數 45

2.3.4 貝爾曼期望方程 46

2.3.5 備份圖47

2.3.6 策略評估 49

2.3.7 預測與控制 51

2.3.8 動態(tài)規(guī)劃 53

2.3.9 使用動態(tài)規(guī)劃進行策略評估 53

2.3.10 馬爾可夫決策過程控制 56

2.3.11 策略迭代 58

2.3.12 價值迭代 61

2.3.13 策略迭代與價值迭代的區(qū)別 63

2.3.14 馬爾可夫決策過程中的預測和控制總結 66

2.4 關鍵詞 67

2.5 習題 68

2.6 面試題 69

參考文獻 69



第3 章表格型方法 70

3.1 馬爾可夫決策過程 70

3.1.1 有模型71

3.1.2 免模型72

3.1.3 有模型與免模型的區(qū)別 73

3.2 Q 表格 73

3.3 免模型預測 77

3.3.1 蒙特卡洛方法 77

3.3.2 時序差分方法 80

3.3.3 動態(tài)規(guī)劃方法、蒙特卡洛方法以及時序差分方法的自舉和采樣 86

3.4 免模型控制 88

3.4.1 Sarsa：同策略時序差分控制 91

3.4.2 Q 學習：異策略時序差分控制 94

3.4.3 同策略與異策略的區(qū)別 97

3.5 使用Q 學習解決懸崖尋路問題 98

3.5.1 CliffWalking-v0 環(huán)境簡介 98

3.5.2 強化學習基本接口 100

3.5.3 Q 學習算法 102

3.5.4 結果分析 103

3.6 關鍵詞 104

3.7 習題105

3.8 面試題 105

參考文獻 105



第4 章策略梯度 106

4.1 策略梯度算法 106

4.2 策略梯度實現技巧 115

4.2.1 技巧1：添加基線 115

4.2.2 技巧2：分配合適的分數 117

4.3 REINFORCE：蒙特卡洛策略梯度 119

4.4 關鍵詞 125

4.5 習題125

4.6 面試題 125

參考文獻 126



第5 章近端策略優(yōu)化 127

5.1 從同策略到異策略 127

5.2 近端策略優(yōu)化 133

5.2.1 近端策略優(yōu)化懲罰 134

4 | Easy RL：強化學習教程

5.2.2 近端策略優(yōu)化裁剪 135

5.3 關鍵詞 138

5.4 習題139

5.5 面試題 139

參考文獻 139



第6 章深度Q 網絡 140

6.1 狀態(tài)價值函數 140

6.2 動作價值函數 145

6.3 目標網絡 150

6.4 探索152

6.5 經驗回放 154

6.6 深度Q 網絡算法總結156

6.7 關鍵詞 157

6.8 習題158

6.9 面試題 159

參考文獻 159



第7 章深度Q 網絡進階技巧 160

7.1 雙深度Q 網絡 160

7.2 競爭深度Q 網絡 162

7.3 優(yōu)先級經驗回放 165

7.4 在蒙特卡洛方法和時序差分方法中取得平衡 166

7.5 噪聲網絡 167

7.6 分布式Q 函數 168

7.7 彩虹170

7.8 使用深度Q 網絡解決推車桿問題 172

7.8.1 CartPole-v0 簡介 172

7.8.2 深度Q 網絡基本接口 173

7.8.3 回放緩沖區(qū)175

7.8.4 Q 網絡 175

7.8.5 深度Q 網絡算法 176

7.8.6 結果分析 178

7.9 關鍵詞 179

7.10 習題 180

7.11 面試題 180

參考文獻 180



第8 章針對連續(xù)動作的深度Q 網絡 181

8.1 方案1：對動作進行采樣182

8.2 方案2：梯度上升 182

8.3 方案3：設計網絡架構 182

8.4 方案4：不使用深度Q 網絡 183

8.5 習題184



第9 章演員-評論員算法 185

9.1 策略梯度回顧 185

9.2 深度Q 網絡回顧 186

9.3 演員-評論員算法 187

9.4 優(yōu)勢演員-評論員算法 188

9.5 異步優(yōu)勢演員-評論員算法 190

9.6 路徑衍生策略梯度 191

9.7 與生成對抗網絡的聯(lián)系 195

9.8 關鍵詞 196

9.9 習題196

9.10 面試題 196



第 10 章深度確定性策略梯度 197

10.1 離散動作與連續(xù)動作的區(qū)別 197

10.2 深度確定性策略梯度199

10.3 雙延遲深度確定性策略梯度 203

10.4 使用深度確定性策略梯度解決倒立擺問題 205

10.4.1 Pendulum-v1 簡介 205

10.4.2 深度確定性策略梯度基本接口 206

10.4.3 Ornstein-Uhlenbeck 噪聲 207

10.4.4 深度確定性策略梯度算法 208

10.4.5 結果分析209

10.5 關鍵詞 211

10.6 習題 211

10.7 面試題 211

參考文獻 211



第 11 章稀疏獎勵212

11.1 設計獎勵 212

11.2 好奇心 214

11.3 課程學習 216

11.4 分層強化學習 219

11.5 關鍵詞 221

11.6 習題 222

參考文獻 222



第 12 章模仿學習223

12.1 行為克隆 223

12.2 逆強化學習 226

12.3 第三人稱視角模仿學習 231

12.4 序列生成和聊天機器人 232

12.5 關鍵詞 233

12.6 習題 233

參考文獻 234



第 13 章AlphaStar 論文解讀 235

13.1 AlphaStar 以及背景簡介 235

13.2 AlphaStar 的模型輸入和輸出是什么呢？——環(huán)境設計 235

13.2.1 狀態(tài)（網絡的輸入） 236

13.2.2 動作（網絡的輸出） 236

13.3 AlphaStar 的計算模型是什么呢？——網絡結構 237

13.3.1 輸入部分237

13.3.2 中間過程239

13.3.3 輸出部分239

13.4 龐大的AlphaStar 如何訓練呢？——學習算法 240

13.4.1 監(jiān)督學習240

13.4.2 強化學習241

13.4.3 模仿學習242

13.4.4 多智能體學習/自學習 243

13.5 AlphaStar 實驗結果如何呢？——實驗結果 243

13.5.1 宏觀結果243

13.5.2 其他實驗（消融實驗） 244

13.6 關于AlphaStar 的總結 245

參考文獻 245