目录

• 1031 --- AlexNet
• 公开课
  • David深度强化学习算法学习
    • 0908 第三课---动态规划
    • 0911 第四课---model-free prediction
    • 0912 Episode.2
    • 0912 model-free control
    • 0913 On-policy MC control代码学习
    • 0915 gridworld---model-free control
  • 0918 跳级到Actor-Critic算法
  • 0922 PPO

1031 --- AlexNet

AlexNet-paper

网络：

summary : 信息的压缩

公开课

David深度强化学习算法学习

David Silver强化学习公开课中文讲解及实践

示例代码资源地址
或者
码云镜像

课件

0908 第三课---动态规划

辅助理解

代码理解

利用格子世界举例来描述DP

1. edition_1---策略评估

• 首先初始化状态/行为空间 以及Value值
• 然后使用n次迭代计算来评估一个MDP在给定策略Pi(此时策略pi为平均策略--> 每个行为都需要尝试)下的状态价值，初始时价值为V
• update_V：在每一次迭代的过程中进行Value值的更新(给定一个MDP和一个策略，更新该策略下的价值函数V)
• compute_v：在所有的状态中进行遍历来执行compute_v函数 然后来进行每一个状态的Value的更改(给定MDP下依据某一策略Pi和当前状态价值函数V计算某状态s的价值)
• 对每个行为进行遍历，将 概率 和 计算当前行动和状态下的'Q值' 相乘 然后将所有行为进行完成后得到的v_s值相加 这样便得到了一个状态下所能得到的Value值
• compute_q：计算当前行动和状态下的'Q值' 具体执行方式如下：遍历环境中所有下一步的状态，然后需要利用get_prob函数（其中通过dynamics函数来与状态交互，从而更新下一步行为将会去向哪里）来将行为和下一步的状态(s_prime)一一对应，从而准确的将每个向前看一步‘Q值’计算出来；然后将目前能得到的即时奖励和向前走一步的奖励(会带有折扣)相加，从而完成该状态的Value的更新，进而完成每一个迭代的更新。

2. edition_2---价值迭代
   价值迭代和策略评估中贪心算法的区别：价值迭代缺少get_prob函数，只看到'Q值'最高的状态然后直接将其Value价值改变，而策略评估中贪心算法是将计算得到的'Q值'还要乘以分别对应的概率然后得出Value
3. edition_3---策略迭代
   套壳策略评估的贪心算法

0911 第四课---model-free prediction

Q:MC不对自身进行循环？

0912 Episode.2

• ...MC/TD/TD(\(lamda\))需要看代码理解
• 下午阅读代码，怎么老看手机...

主要看的是MC对于BlackJack游戏的策略评估

分为两大部分

1. 建立游戏环境---先不赘述
2. 设计MC评估算法
   在每次游戏完成后取出每代和奖励值，然后在每代中更新 Ns (状态被访问的次数节点)和 V (状态价值)
   两者更新过程类似，先通过在字典中查询该状态量是否存在，如果不存在则先记为状态出现次数 / 该状态得分为0 / 0，如果存在则直接拿出来使用；然后对当前状态使用次数加1，再利用下述公式进行更新Value，最后得到Value值

• 来源

• 画图评估效果---

0912 model-free control

• Forward View Sarsa(\(lamba\))
  ?: 对未来无限步进行预估 --> 指的是在一代中需要对某个状态对应的'Q值‘进行更新时，要利用之后走过的值 × 权重来更新
• Backward View Sarsa(\(lamba\))
  想法 --> 找出频繁出现的有利步，消减出现少的'无用步'，以此来更新eligibility traces
• Sarsa(\(lamba\))相比于Sarsa在值的更新上更加迅速（更加快速的实现信息倒退）
• 0913 六种方法的细分不能体会到

0913 On-policy MC control代码学习

第五课代码

在此部分主要学习同策略21点游戏的蒙特卡洛学习策略迭代

• Q1:这一行\(epsilon\)的变化不太懂，可能跟策略梯度有关?

epsilon = 1.0/(1 + 4 * math.log10(1+player.total_learning_times))

• Q2:\(epsilon\)探索代码概率设置也非常奇怪

def epsilon_greedy_pi(A, s, Q, a, epsilon = 0.1):
    m = len(A)
    # 利用greedy_pi()返回贪婪行动的概率
    greedy_p = greedy_pi(A, s, Q, a)
    #print("greedy prob:{}".format(greedy_p))
    # 如果没有比目前行动更优的选择，则进行epsilon探索
    if greedy_p == 0:
        return epsilon / m
    n = int(1.0/greedy_p)
    # greedy_p贪婪行动的概率 比如两个行动带来的Q一样大 那么采取哪个动作都是相同的概率
    return (1 - epsilon) * greedy_p + epsilon/m

• Q3:通过最大的Q值选择最优策略 --> 最大Q值会增加被选中的概率

def greedy_pi(A, s, Q, a):
    '''依据贪婪选择，计算在行为空间A中，状态s下，a行为被贪婪选中的几率
    考虑多个行为的价值相同的情况
    '''
    #print("in greedy_pi: s={},a={}".format(s,a))
    max_q, a_max_q = -float('inf'), []
    for a_opt in A:# 统计后续状态的最大价值以及到达到达该状态的行为（可能不止一个）
        # 拿到Q值
        q = get_dict(Q, s, a_opt)
        #print("get q from dict Q:{}".format(q))
        if q > max_q:
            max_q = q
            # 最大的Q值对应最优的行为
            # 当刚开始一局时，此时先选择的是q=0,a_opt=A[0]
            a_max_q = [a_opt]
        elif q == max_q:
            #print("in greedy_pi: {} == {}".format(q,max_q))
            a_max_q.append(a_opt)
    n = len(a_max_q)
    if n == 0: return 0.0
    return 1.0/n if a in a_max_q else 0.0

• 梳理一下该算法的过程：

建立游戏---MC玩家、庄家、casino设置，进行num局游戏

每局游戏中，为玩家庄家发牌，玩家庄家行为判定，进行奖励判定；同时每局游戏后将代数（包含s，a例如[('10_20_False', '继续叫牌')）奖励拿出送入Q表更新

其中玩家行为是体现控制的核心部分，由greedy_policy()实现-->通过对不同行为的选择概率利用先前的Q值进行改变，从而改变选择的行为

• 画图算法---要再看一看

0915 gridworld---model-free control

建立地图--> 运行测试算法...(也没啥好写的，只有亿点点细节要注意...)

0918 跳级到Actor-Critic算法

David的课太长了...

需要先熟悉Actor-Critic的算法流程，因此找了莫烦文档、莫烦视频来学习

看了一天代码...

TensorFlow的感想，

• TensorFlow1.2.0/1.3.0的sess.run很有意思，竟然是执行该函数才会调用之前写好的函数语句，而且在Debug中不跳转，另外观察张量也不方便...有点抽象

0922 PPO

书上没介绍，看看莫烦的

标签：状态,max,greedy,---,Course,Value,epsilon,RL,Sliver
来源： https://www.cnblogs.com/Whatever-it-takes/p/15463363.html