Reinforcement Learning强化学习--李宏毅机器学习笔记

个人学习笔记，如有错误欢迎指正，也欢迎交流，其他笔记见个人空间  

强化学习 vs 监督学习

• 监督学习（Supervised Learning）：你有输入和明确的输出标签，例如图像分类。

• 强化学习（Reinforcement Learning）：你不知道输出的“最佳答案”，只能通过与环境互动、收集奖励（Reward）来学习策略。

举例：

• 围棋：每一步的“最优落子”可能连人类都不知道

• 电子游戏：通过游戏画面（Observation）作出动作（Action），根据得分获得奖励

强化学习的核心结构

环境（Environment）与智能体（Actor）：

1. Observation：环境给智能体的输入

2. Action：智能体输出的行为

3. Reward：环境给予智能体的反馈

智能体的目标：最大化总奖励（Total Reward）

 强化学习的核心步骤和深度学习其实基本一样

Step 1：定义一个有未知参数的Function（通常称为Policy Network）

Step 2：定义Loss（负的Total Reward）

Step 3：优化参数以最大化Reward（Optimization）

第一步： 定义一个有未知参数的函数，也就是策略函数（Policy），通常用神经网络来表示。

希望找到一个策略函数 （policy）：

• 输入：当前环境的观测（observation）

• 输出：某个动作（action）或一组动作的概率

这个函数内部有很多未知参数（θ），通过训练来确定这些参数，从而让策略越来越聪明。例如用CNN处理图像输入，用MLP处理数值输入，RNN / Transformer处理历史轨迹，生成不同action的概率后，通常根据这个分布 进行采样（sampling） 来选择动作，而不是直接选择最大值（argmax），这是为了增加策略的探索性

第二步： 定义Loss

在强化学习中，我们没有 Ground Truth 标签，但依然需要定义一个目标 ——即使不能说“动作a对还是错”，但我们知道做完这个动作之后是否有奖励（Reward）。

与环境交互（Episode）：

• 一个智能体从初始状态开始，连续做出动作（Action）

• 每个动作会得到一个即时奖励（Reward），如 r1,r2,...,rT

• 所有奖励累加得到：R=r1​+r2​+⋯+rT​这个 R 又被称为 Return 或 Total Reward

目标（Objective）：

• 我们希望找到策略参数 θ，使得这个总奖励 R越大越好

转换为损失函数：

• 强化学习中不像监督学习有明确的 Loss

• 所以我们把“最大化奖励”变成“最小化负的奖励”：Loss=−R

第三步：优化参数 

问题是则不是一个一般的优化问题，难点：

1、Actor输出是随机采样的 

2、Environment是不可导黑盒子，不能反向传播

3、Reward是延迟的，无法直接分配“哪个动作贡献了多少”

Policy Gradient

一种解决RL优化问题的经典方法，核心思想如下：

• 把Actor当作一个分类器

• 用类似Cross-entropy的Loss定义行为偏好（a和的交叉熵作为loss，希望采取时就令L=e，再令e最小，a就会趋向于。不希望时L=-e，a也就不趋向于采取，再取L最小）

         如下希望看到 s 时采取，看到 s' 时不采取 ‘，则L=e1-e2。

                                                         （需要收集大量s,a的一对一对的数据）

• 设定希望Actor采取or避免的行为，并赋予不同权重（An），代表采取/避免某行动的“意愿”有多强。

• 再用梯度下降去优化Actor网络参数，使行为更符合期望

现在的问题在于怎么定义a的好坏

初级的思路就是直接用当前时间步的 Reward来评估当前 Action 的好坏，如果r>0就认为 Action 是好的，问题是忽视了当前动作对未来的长期影响，导致“短视近利”的策略

由此产生第二个版本的想法：a有多好取决于a之后收到的所有Reward，通通加起来得到一个累计奖励G（Total Future Reward）。

优点：考虑到动作的长期影响

问题：游戏太长时，早期动作对后期奖励影响不明显，不一定是这一步的动作导致后面好的结果，导致归因失真

 由此产生第三个版本的想法：引入折扣因子（Discount Factor）

距离 at 越远的 r 对于 at 就越“不重要”，因为 γ 指数项会变大。

优点：距离当前动作越近的奖励权重越高；解决远期奖励归因问题

第四个版本：如果所有 Gt′​ 都是正的，即使有些表现差的动作也被当作“ 好 ”进一步，因此需要做标准化， 引入基线（Baseline） b，将 Gt′−b 作为最终评价量 At。

• 目的是让评价结果“有正有负”，使训练更稳定、更有区分度

• b 可设为均值、滑动平均、甚至预测的值（将引出 Critic）

Policy Gradient 实际操作流程 

• 初始化策略网络（Actor）参数 θ

• 收集数据：用当前策略与环境交互，采样出多个 (state, action) 对

• 评估每个动作的好坏：计算 At，可以是版本 1~4 中任一种

• 定义 Loss：例如交叉熵加权 At

• 梯度上升更新Actor参数

• 重新收集数据：由于策略已改变，必须用新的策略重新采样（On-policy），重新收集数据

On-policy vs Off-policy

Off-policy 的代表方法：PPO（Proximal Policy Optimization），PPO 允许一定程度上“借用”旧策略的数据，同时控制策略变化幅度 

听起来有点晕，李老师在课上也没有细说，查资料后我的理解Off-policy 强化学习的本质是：
“我（要训练的策略）不是亲自去做，而是看别人做，再从别人的经验中学习。”

类比总结和On-policy的区别就是：

• On-policy：每更新一次策略，就必须重新采数据，慢又贵。

• Off-policy：每次都用别人的策略来采集数据，然后训练你的模型（比如别人开车时采集的数据记录），但是你不能完全照搬别人的操作（因为别人的车可能技术更好），所以你要用算法纠正行为差异 。

这里有一些疑问需要解答，先了解两个概念：

行为策略：用来与环境交互、采集数据，不一定更新（通常固定）

目标策略：是你真正想要训练的策略，不断更新

疑问：如果行为策略不更新，那它的采样是不是就会重复、没有意义？为什么还能学？

答案是：不会。

即使行为策略是“固定的”，你从它那里采样的经验轨迹每次也会不同，原因有两个：1. 环境是动态的 / 有随机性，行为策略+环境共同决定采样轨迹，所以轨迹是多样的；2.行为策略本身是“随机策略”，行为策略即便固定，也有采样上的随机性

 

Critic

Critic 的概念

Critic 的作用是评估当前策略（Actor）的好坏，即预测在某个状态下，采用该 Actor 后可能获得的累积回报（Discounted Cumulative Reward），注意是个期望值，因为actor本身是有随机性

时序差分Temporal-Difference（TD）方法：

• 使用部分轨迹更新估值。核心思想是：在不知道最终结果的情况下，通过当前奖励和下一步的估计结果来更新当前估计值

• 优点：无需完整回合，适合长或无限游戏。

• 缺点：更新可能有偏差。

MCvsTD

• MC 使用真实累积奖励训练，更新慢但准确。

• TD 使用估计值更新，快速但可能偏差。

• 没有绝对对错，取决于假设和实际需求。

举例：观察某一个 Actor跟环境互动玩了某一个游戏八次，当然这边为了简化计算，我们假设这些游戏都非常简单，都一个回合，就到两个回合就结束了。从下图V(sa)的算法就可以看出MC和TD的区别

Critic 如何帮助训练 Actor

前面提到需要做标准化， 引入基线（Baseline） b，让评价结果“有正有负”，将 Gt′−b 作为最终评价量 At。这里b取多少本来是不知道的，现在可以确定了，b就是Critic估计的Actor后可能获得的累积回报V，注意这个只是一个期望值，因为Actor本身是有随机性的

 这样得到的At，如果大于0说明实际执行的动作 At 得到的结果好于平均值，是一个“好的动作",小于，说明该动作表现差于平均，是个“坏动作”。

但是这种思路也不是完全没问题，用某个状态下的G减去平均值有可能会有极端情况，还有一种思路的用平均值减去平均值，就是：

• 用即时奖励 加上下一个状态的估值  来代替，

• 这是对未来奖励的一步估计，更快、更稳定。

 

小技巧：Actor-Critic 网络共享结构

• Actor 和 Critic 可以共享网络的前几层（例如 CNN 提取特征），仅在输出结构上有所区分：

  • Actor 输出 action 的概率分布。

  • Critic 输出一个标量的估值。

Deep Q Network (DQN):

• Deep Q Network（DQN）是另一类强化学习方法，主要使用 Critic（Q function）来直接选动作。

• DQN 有许多变形，如 Rainbow（融合多个改进技巧）。