学习Deep Reinforcement Learning笔记

• 也不能算是初识了，大二SRP的时候看过一点，还在博客记录了一下，但是现在对DRL的了解和完全不知道其实没差多少。
• 所以现在系统一点看一些文章，对DRL构建一个大致的了解框架。

Background

Machine Learning

• RL是ML的一种。
  • ML可以分类为三种：supervised, unsupervised, and reinforcement learning.
  • RL：有evaluative feedbacks, but no supervised signals.
  • supervised, unsupervised learning are usually one-shot, myopic, considering instant reward.
  • RL is sequential, far-sighted, considering long-term accumulative reward.
• Gradient descent: 解决optimization problems常用的方法。
• Occam's Razor: with the same expressiveness, simple models are preferred.
• No free lunch theorem: there is no universally best model, or best regularizor.

什么是Deep Learning

• 在Input, output layers之间有一层及以上的hidden layers。
• MLP
• CNN: convolutional layers, pooling layers, fully connected layers.
• ResNets: ease the training of very deep neural networks by adding shortcut connections to learn residual functions with reference to the layer inputs.
• RNN: 很多层神经网络之间会share the same weights。
• LSTM: 可以储存历史长时间的信息。
• Deep RL和 "shallow" RL最大的区别是使用的function approximator。
  • "Shallow" RL使用linear function, decision trees, tile coding等。
  • Deep RL经常使用SGD来update weight parameters。

什么是Reinforcement Learning

• 另一篇文章
• 
• 
  • 其实有点相当于Classification问题，{s1, a1}是输入，A相当于标签。所以Loss可以由Cross Entropy \(e_n\) 与 \(A_n\)来衡量。
    • Update的时候可以减去baseline，因为good and bad is relative。
    • 可以以average Value 作为baseline。

Value Function

• DQN
  • 

Policy Gradient

• 
  • 减去baseline：因为好不好是相对的。使G有正值也有负值。
• On-policy Policy Gradient: The actor to train and the actor for interacting is the same.
  • 
  • 每收集一个episode的数据（玩一次）就只能更新一次参数。
  • 耗时很长。
• Off-policy Policy Gradient: The actor to train and the actor for interacting are different.
  • 不用每次update参数都得收集一次数据。
  • 经典算法：Proximal Policy Optimization(PPO)。
    • The actor to train has to know its difference from the actor to interact.

Policy

• 也是TD的一类，TD分Value-based和Policy-based。
  • Value-based就是On-policy SARSA, Off-policy Q-Learning那些。
  • Policy-based就是Policy Gradient, Actor-Critic, A3C这些。

Actor-Critic Methods

• 
  • Actor：来源于Policy Gradients. 传统的Policy Gradients是回合更新制。
  • Critic：给你actor θ，critic通过observing s(and taking action a)评价好不好。
    • 来源与Value-Based的方法，可以实行单步更新制。
    • Monte-Carlo(MC), TD.
• 包括两个部分：an actor and a critic。
  • Actor: the policy.
  • Critic: the estimate of a value function.
  • 在RL，两个部分都能 be represented by non-linear neural network function approximators.
• 
  • Actor是个决定policy的network, Critic是个评价actor的network，它们之间有共用的部分，例如对输入的处理。

Critic

• 近似最近的policy的value function。参数为θ。
• \(Q(s, a; \theta) \approx Q^\pi (s, a)\)
• 
  • 减去v值：以\(v^\theta(s_i)\)作为baseline值。如果\(A_1>0\)：证明这个action要好过在\(s_1\)下的average。
  • 
  • 这个是拿一个sample的reward减去平均。
• Advantage Actor-Critic(A2C)
  • 
  • 用average减去average。

Reference

• Deep Reinforcement Learning: An Overview
• An Introduction to Deep Reinforcement Learning
• 西瓜书《机器学习》周志华
• https://www.cnblogs.com/xuwanwei/p/13641755.html
• 李宏毅 DRL相关视频
• 莫烦Python b站视频

标签：policy,actor,笔记,学习,RL,Critic,DRL,Learning,Policy
来源： https://www.cnblogs.com/xuwanwei/p/15715893.html