强化学习简介

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Solo95/article/details/100133088

强化学习

How can an intelligent agent learn to make good sequences of decisions?.

这一句英文可以概括所有强化学习的关注点：

强化学习旨在学习去做出一系列好的决策。因此我们的关注点在一系列决策(sequence of decisions, 英文的sequence含有连续的意思)上。

相对于机器学习，强化学习的主体是智能体，可能是生物或者非生物。

我们的关注点还包括如何做出一系列决策而不是一个决策。

我们关心决策的好坏程度。为了衡量好坏我们有最优性这个概念。

最后的关键部分是学习，agent预先不知道它的决策会对环境做出怎样的影响，也不知道好的结果和什么样的决策相关联，它需要通过经验来获取这些信息。

强化学习重要的方面可以概括为以下四个：

• Optimization(最优性)
• Delayed consequences(延迟影响)
• Exploration(探索)
• Generalization(泛化)

这四个方面将强化学习与其他机器学习区分开来。

所以在强化学习里，我们学习在不确定性的条件下做出好的决策，基本上囊括了最优性，延迟影响，探索，泛化。

Optimization

• Goal is to find an optimal way to make decisions
  • Yielding best outcomes
• Or at least a very good strategy

很自然的，最优性是因为我们关心好的决策，从而提出了这个概念。

Delayed Consequence

• 当前决策会在很晚的时候对事物产生影响
  • 为退休而进行的储蓄活动
  • 在游戏montezuma’s revenge中你必须先拿起一把钥(在很久之后你才知道钥匙是有用的)

这引入了两大挑战：

1. 决策时：需要对决策作出的推理不仅包括即时收益，也要包括该决策可能产生的长期的复杂结果。
2. 学习时：时序性奖励分配是困难的(什么会导致后面的回报高或者回报低)。

How do you figure out the causal relationship between the decisions you made in the past and the outcomes in the future?

这与我们在大多数机器学习情景下遇到的问题是非常不同的。

Exploration

通过决策来学习这个世界(环境)

• Agent像是一个科学家
• 通过尝试来学习骑自行车(不断跌倒)
• 在游戏montezuma’s revenge中找到一把钥匙

设限数据

• 做出决策之后仅得到一个奖励(标签)
• 吃下红色药片之后不知道如果吃下蓝色药片结果会怎样(Matrix movie reference)

决策会影响到我们学习到的东西

• 如果我们选择去Stanford而不是MIT，我们会有不同的人生体验

Policy

策略是从过去的经验到动作的映射。

为什么我们不预先编写好一个策略而是通过学习得到一个策略呢？

在Atari游戏中，可能会有(256100∗200)3(256^{100*200})^3(256100∗200)3张图片，这个例子是不可追溯的，无法编程在这么多张图片里作决策。

这也是为什么我们需要一些形式的泛化，以及为什么直接从数据中学习会更好，并且拥有一些任务的高层次表示(representation)。

Imitation Learing

模仿学习从别人的经验中学习，它将强化学习缩减到了监督学习。

好处：

• 已经成熟的用于监督学习的好的工具
• 避免了探索的问题
• 拥有决策结果的大数据

受限之处：

• 实现起来可能代价很高
• 受限于被收集到的数据

但结合模仿学习和强化学习非常有前景。

强化学习如何进行？

• 探索这个世界(环境)
• 使用所得经验来指导未来决策