首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >强化学习/增强学习/再励学习介绍 | 深度学习 | 干货分享 | 解读技术

强化学习/增强学习/再励学习介绍 | 深度学习 | 干货分享 | 解读技术

作者头像
用户7623498
发布2020-08-04 11:53:35
1.2K0
发布2020-08-04 11:53:35
举报

Deepmind团队在17年12月5日发布的最新Alpha Zero中,非常重要的一种方法就是强化学习(reinforcement learning),又称再励学习、评价学习,是一种重要的机器学习方法,靠自身的经历进行学习。通过这种方式,RLS在行动-评价的环境中获得知识,改进行动方案以适应环境。正因为可以在小数据量的情况下靠自身的行动获得经验,所以Alpha Zero可以通过自我对弈进行学习提高。深度学习的一种分类方式:监督学习、无监督学习、半监督学习、强化学习。


基本原理

强化学习是从动物学习、参数扰动自适应控制等理论发展而来,其基本原理是:如果Agent的某个行为策略导致环境正的奖赏(强化信号),那么Agent以后产生这个行为策略的趋势便会加强。Agent的目标是在每个离散状态发现最优策略以使期望的折扣奖赏和最大。强化学习把学习看作试探评价过程,Agent选择一个动作用于环境,环境接受该动作后状态发生变化,同时产生一个强化信号(奖或惩)反馈给Agent,Agent根据强化信号和环境当前状态再选择下一个动作,选择的原则是使受到正强化(奖)的概率增大。选择的动作不仅影响立即强化值,而且影响环境下一时刻的状态及最终的强化值。如图所示。

简单来说就是给你一只小白鼠在迷宫里面,目的是找到出口,如果他走出了正确的步子,就会给它正反馈(糖),否则给出负反馈(点击),那么,当它走完所有的道路后。无论比把它放到哪儿,它都能通过以往的学习找到通往出口最正确的道路。

RL最重要的3个特点在于:(1)基本是以一种闭环的形式;(2)不会直接指示选择哪种行动(actions);(3)一系列的actions和奖励信号(reward signals)都会影响之后较长的时间。

总的来说,RL与其他机器学习算法不同的地方在于:其中没有监督者,只有一个reward信号;反馈是延迟的,不是立即生成的;时间在RL中具有重要的意义;agent的行为会影响之后一系列的data。


模型设计

一种RL(reinforcement learning) 的框架:

--------------------------------

for

1. 观测到数据

2. 选择action

3. 得到损失

目标是最小化损失

--------------------------------

以吃豆子游戏为例,解释一下模型设计的主要元素,输入输出如下所示:

输入

状态(State)=环境,例如迷宫中的每一格是一个state,例如(1,3)

动作(Action)=在每个状态下,有什么行动是容许的,例如{上、下、左、右}

奖励(Rewards)=进入每个状态时,能带来正面或负面的价值,迷宫中的那格可能有食物(+1),也可能有怪兽(-100)

输出:方案(Policy)=在每个状态下,你会选择哪个行动?

以上四个元素(S A R P)就构成了一个强化学习系统

AlphaZero的设计中的主要算法之一就是强化学习,原文如下:

在RL问题中,有四个非常重要的概念

  (1)规则(policy)

  Policy定义了agents在特定的时间特定的环境下的行为方式,可以视为是从环境状态到行为的映射,常用 π来表示。policy可以分为两类:

  确定性的policy(Deterministic policy): a=π(s)

  随机性的policy(Stochastic policy): π(a|s)=P[At=a|St=t]

  其中,t是时间点,t=0,1,2,3,……

  St∈S,S是环境状态的集合,St代表时刻t的状态,s代表其中某个特定的状态;

  At∈A(St),A(St)是在状态St下的actions的集合,At代表时刻t的行为,a代表其中某个特定的行为。

  (2)奖励信号(a reward signal)

  Reward就是一个标量值,是每个time step中环境根据agent的行为返回给agent的信号,reward定义了在该情景下执行该行为的好坏,agent可以根据reward来调整自己的policy。常用R来表示。

  (3)值函数(value function)

  Reward定义的是立即的收益,而value function定义的是长期的收益,它可以看作是累计的reward,常用v来表示。

  (4)环境模型(a model of the environment)

  整个Agent和Environment交互的过程可以用下图来表示:

其中,t是时间点,t=0,1,2,3,……

  St∈S,S是环境状态的集合;

  At∈A(St),A(St)是在状态St下的actions的集合;

  Rt∈R∈R 是数值型的reward。


强化学习主要方法简介

强化学习的方法可以从不同维度进行分类:

  • 是否需要对环境理解:model free和model-based
  • 基于概率(Policy-based)和基于价值(Value-based)的RL
  • 回合更新(monte-carlo update)和单步更新(temporal-difference update)的RL
  • 在线学习(on-policy)和离线学习(off-policy)

无论从哪个角度分类,主要的方法有: policy gradients、q learning、sarsa 、 actor-critic、Monte-carlo learning、 Deep-Q-Network

这里强烈推荐一个简洁清晰的介绍视频,6分钟直接明了的说明各种方法的特点:

莫烦python:http://v.youku.com/v_show/id_XMTkyMDY5MTk2OA==.html


应用案例及python代码

有很多种场景应用的都是强化学习,AlphaZero最为出名,其他还有直升机特技飞行、机器人行走、玩游戏比人类还要好等等。

举个栗子:我们想要实现的,就是一个这样的小车。小车有两个动作,在任何一个时刻可以向左运动,也可以向右运动,我们的目标是上小车走上山顶。一开始小车只能随机地左右运动,在训练了一段时间之后就可以很好地完成我们设定的目标了 。

我们使用的算法就是最简单的Deep Q Learning算法,算法的流程如下图所示。

完整代码如下:

import tensorflow as tf
import numpy as np
import gym
import randomfrom collections 
import dequeEPISDOE = 10000STEP = 10000ENV_NAME = 'MountainCar-v0'BATCH_SIZE = 32INIT_EPSILON = 1.0FINAL_EPSILON = 0.1REPLAY_SIZE = 50000TRAIN_START_SIZE = 200GAMMA = 0.9def get_weights(shape):
   weights = tf.truncated_normal( shape = shape, stddev= 0.01 )    return tf.Variable(weights)def get_bias(shape):
   bias = tf.constant( 0.01, shape = shape )    return tf.Variable(bias)class DQN():
   def __init__(self,env):
       self.epsilon_step = ( INIT_EPSILON - FINAL_EPSILON ) / 10000
       self.action_dim = env.action_space.n
       print( env.observation_space )
       self.state_dim = env.observation_space.shape[0]
       self.neuron_num = 100
       self.replay_buffer = deque()
       self.epsilon = INIT_EPSILON
       self.sess = tf.InteractiveSession()
       self.init_network()       self.sess.run( tf.initialize_all_variables() )    def init_network(self):
       self.input_layer = tf.placeholder( tf.float32, [ None, self.state_dim ] )
       self.action_input = tf.placeholder( tf.float32, [None, self.action_dim] )
       self.y_input = tf.placeholder( tf.float32, [None] )
       w1 = get_weights( [self.state_dim, self.neuron_num] )
       b1 = get_bias([self.neuron_num])       hidden_layer = tf.nn.relu( tf.matmul( self.input_layer, w1 ) + b1 )       w2 = get_weights( [ self.neuron_num, self.action_dim ] )
       b2 = get_bias( [ self.action_dim ] )       self.Q_value = tf.matmul( hidden_layer, w2 ) + b2       value = tf.reduce_sum( tf.mul( self.Q_value, self.action_input ), reduction_indices = 1 )       self.cost = tf.reduce_mean( tf.square( value - self.y_input ) )       self.optimizer = tf.train.RMSPropOptimizer(0.00025,0.99,0.0,1e-6).minimize(self.cost)        return   def percieve(self, state, action, reward, next_state, done):
       one_hot_action = np.zeros( [ self.action_dim ] )
       one_hot_action[ action ] = 1       self.replay_buffer.append( [ state, one_hot_action, reward, next_state, done ] )        if len( self.replay_buffer ) > REPLAY_SIZE:
           self.replay_buffer.popleft()        if len( self.replay_buffer ) > TRAIN_START_SIZE:
           self.train()    def train(self):
       mini_batch = random.sample( self.replay_buffer, BATCH_SIZE )
       state_batch = [data[0] for data in mini_batch]
       action_batch = [data[1] for data in mini_batch]
       reward_batch = [ data[2] for data in mini_batch ]
       next_state_batch = [ data[3] for data in mini_batch ]
       done_batch = [ data[4] for data in mini_batch ]       y_batch = []       next_state_reward = self.Q_value.eval( feed_dict = { self.input_layer : next_state_batch } )        for i in range( BATCH_SIZE ):            if done_batch[ i ]:
               y_batch.append( reward_batch[ i ] )            else:
               y_batch.append( reward_batch[ i ] + GAMMA * np.max( next_state_reward[i] ) )       self.optimizer.run(
           feed_dict = {
               self.input_layer:state_batch,
               self.action_input:action_batch,
               self.y_input:y_batch
           }
       )        return
   def get_greedy_action(self, state):
       value = self.Q_value.eval( feed_dict = { self.input_layer : [state] } )[ 0 ]        return np.argmax( value )    def get_action(self, state):
       if self.epsilon > FINAL_EPSILON:
           self.epsilon -= self.epsilon_step        if random.random() < self.epsilon:            return random.randint( 0, self.action_dim - 1 )        else:            return self.get_greedy_action(state)def main():
   env = gym.make(ENV_NAME)
   agent = DQN( env )    for episode in range(EPISDOE):
       total_reward = 0
       state = env.reset()        for step in range(STEP):
           env.render()
           action = agent.get_action( state )
           next_state, reward, done, _ = env.step( action )
           total_reward += reward
           agent.percieve( state, action, reward, next_state, done )            if done:                break
           state = next_state        print 'total reward this episode is: ', total_rewardif __name__ == "__main__":
   main()

如想了解算法关键设定,请参考CSDN杨思达zzz:http://blog.csdn.net/supercally/article/details/54767499


学习资源

授人以渔,分享以下强化学习的相关学习资源:

1. Udacity课程1:Machine Learning: Reinforcement Learning,以及更深入的Udacity课程2:Reinforcement Learning

2. 经典教科书:Sutton & Barto Textbook: Reinforcement Learning: An Introduction 网页中可免费下载新版(第二版)初稿

3. UC Berkeley开发的经典的入门课程作业-编程玩“吃豆人”游戏:Berkeley Pac-Man Project (CS188 Intro to AI)

4. Stanford开发的入门课程作业-简化版无人车驾驶:Car Tracking (CS221 AI: Principles and Techniques)

5.CS 294: Deep Reinforcement Learning, Fall 2015 CS 294 Deep Reinforcement Learning, Fall 2015。课程安排和资料很好。推荐最为RL进阶学习。

注:以上Berkeley和Stanford的课程项目都是精心开发的课程作业,已经搭建好了基础代码,学习者可专注于实现核心算法,并且有自动评分程序(auto-grader)可以自测。


参考资料:

百度百科词条:强化学习

CSDN:Lili_Y_Love,强化学习(Reinforcement Learning, RL)初步介绍

SegmentFault:方老司,《深入浅出机器学习》之强化学习

DeepMind:Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm。17.12.05

知乎:不爱老婆的猪,https://www.zhihu.com/question/41775291/answer/92740775

莫烦python:http://v.youku.com/v_show/id_XMTkyMDY5MTk2OA==.html

CSDN杨思达zzz:http://blog.csdn.net/supercally/article/details/54767499

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-12-12,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 决策智能与机器学习 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档