深度强化学习#

强化学习（RL）被认为是机器学习的基本范式之一，与监督学习和无监督学习并列。在监督学习中，我们依赖于具有已知结果的数据集，而强化学习则基于通过实践学习。例如，当我们第一次看到一个电脑游戏时，即使不知道规则，我们也会开始玩，并通过玩游戏和调整行为逐渐提高自己的技能。

课前测验#

要进行强化学习，我们需要：

  • 一个环境或模拟器，它定义了游戏规则。我们应该能够在模拟器中运行实验并观察结果。
  • 某种奖励函数，它指示我们的实验是否成功。例如，在学习玩电脑游戏时，奖励可以是我们的最终得分。

基于奖励函数，我们应该能够调整自己的行为并提高技能，以便下一次表现更好。强化学习与其他类型的机器学习的主要区别在于，在强化学习中，我们通常不知道自己是否赢了或输了，直到游戏结束。因此，我们无法判断单独的某个动作是否是好的——我们只有在游戏结束时才会收到奖励。

在强化学习过程中，我们通常会进行许多实验。在每次实验中，我们需要在遵循迄今为止学到的最佳策略（利用）和探索新的可能状态（探索）之间找到平衡。

OpenAI Gym#

一个非常适合强化学习的工具是 OpenAI Gym——一个模拟环境，它可以模拟许多不同的环境，从 Atari 游戏到物理学中的杆平衡问题。它是训练强化学习算法最流行的模拟环境之一，由 OpenAI 维护。

Note: 你可以在 这里 查看 OpenAI Gym 提供的所有环境。

CartPole 平衡#

你可能都见过现代平衡设备，比如 Segway 或 Gyroscooters。它们能够通过调整轮子来响应加速度计或陀螺仪的信号，从而自动保持平衡。在本节中，我们将学习如何解决一个类似的问题——杆平衡。这类似于马戏团表演者需要在手上平衡杆的情况——但这种杆平衡仅发生在一维空间中。

一种简化的平衡问题被称为 CartPole 问题。在 CartPole 世界中，我们有一个可以左右移动的水平滑块，目标是在滑块上方保持一个垂直杆的平衡。

a cartpole

要创建和使用这个环境，我们需要几行 Python 代码：

import gym
env = gym.make("CartPole-v1")

env.reset()
done = False
total_reward = 0
while not done:
   env.render()
   action = env.action_space.sample()
   observaton, reward, done, info = env.step(action)
   total_reward += reward

print(f"Total reward: {total_reward}")

每个环境都可以通过以下方式访问：

  • env.reset 开始一个新的实验
  • env.step 执行一个模拟步骤。它接收来自动作空间的一个动作，并返回一个观察值（来自观察空间），以及奖励和终止标志。

在上面的示例中，我们在每一步执行随机动作，因此实验的持续时间非常短：

non-balancing cartpole

强化学习算法的目标是训练一个模型——所谓的策略 π——它会根据给定状态返回动作。我们也可以将策略视为概率性的，例如，对于任何状态 s 和动作 a，它会返回我们在状态 s 下采取动作 a 的概率 π(a|s)。

策略梯度算法#

建模策略的最明显方法是创建一个神经网络，该网络将状态作为输入，并返回相应的动作（或者更确切地说是所有动作的概率）。从某种意义上说，它类似于普通的分类任务，但有一个主要区别——我们事先不知道在每一步应该采取哪些动作。

这里的想法是估计这些概率。我们构建一个累计奖励向量，显示实验中每一步的总奖励。我们还通过乘以某个系数 γ=0.99 对早期奖励进行奖励折扣，以减小早期奖励的影响。然后，我们强化实验路径中产生较大奖励的步骤。

了解更多关于策略梯度算法的信息，并在示例笔记本中查看其实际应用。

Actor-Critic 算法#

策略梯度方法的改进版本被称为 Actor-Critic。其核心思想是神经网络将被训练以返回两件事：

  • 策略，决定采取的动作。这部分称为 actor。
  • 对当前状态下可以获得的总奖励的估计——这部分称为 critic。

从某种意义上说，这种架构类似于 GAN，其中有两个网络相互对抗进行训练。在 Actor-Critic 模型中，actor 提出我们需要采取的动作，而 critic 尝试进行批判并估计结果。然而，我们的目标是让这两个网络协同训练。

因为我们在实验过程中同时知道真实的累计奖励和 critic 返回的结果，因此构建一个损失函数以最小化它们之间的差异相对容易。这将产生critic 损失。我们可以使用与策略梯度算法相同的方法计算actor 损失。

运行这些算法后，我们可以期待我们的 CartPole 表现如下：

a balancing cartpole

✍️ 练习：策略梯度和 Actor-Critic 强化学习#

通过以下笔记本继续学习：

其他强化学习任务#

如今，强化学习是一个快速发展的研究领域。一些有趣的强化学习示例包括：

  • 教电脑玩 Atari 游戏。这个问题的挑战在于我们没有简单的状态表示为向量，而是一个截图——我们需要使用 CNN 将屏幕图像转换为特征向量或提取奖励信息。Atari 游戏可以在 Gym 中找到。
  • 教电脑玩棋盘游戏，比如国际象棋和围棋。最近，像 Alpha Zero 这样的最先进程序通过两个代理相互对战并在每一步中不断改进，从零开始进行训练。
  • 在工业中，强化学习用于从模拟中创建控制系统。一个名为 Bonsai 的服务专门为此设计。

总结#

我们现在已经学习了如何通过提供定义游戏期望状态的奖励函数，并让代理智能地探索搜索空间，来训练代理以获得良好的结果。我们成功尝试了两种算法，并在相对较短的时间内取得了良好的结果。然而，这只是你强化学习旅程的开始，如果你想深入研究，应该考虑参加专门的课程。

🚀 挑战#

探索“其他强化学习任务”部分列出的应用，并尝试实现其中一个！

课后测验#

复习与自学#

在我们的初学者机器学习课程中了解更多关于经典强化学习的内容。

观看这个精彩视频，了解电脑如何学习玩超级马里奥。

作业：训练一个山地车#

在这个作业中，你的目标是训练一个不同的 Gym 环境——山地车。