零基础搞懂强化学习？这份视频攻略不算迟

▷ 强化学习解读视频

有监督学习 VS 强化学习

在常见的机器学习应用中，人们会运用有监督学习，也就是给神经网络模型一个输入，但模型输出结果已成定局。因此你可以利用反向传播算法计算梯度，以训练此网络产生结果。

在监督学习的情况下，如果要训练一个会玩吃鸡的神经网络，你需要找一个吃鸡高手玩好几个小时，然后获得一个数据集，包括了所有的帧。比如玩家看到的屏幕，以及他在游戏中的键盘操作（如，向上或向下）。随后将这些数据输入到一个非常简单的神经网络中，便可以输出向上或向下的行为。利用反向传播这类算法对人类玩家数据集进行训练，可以训练出模拟人类玩家操作的神经网络。

但这种方法有两种明显的缺陷。第一，如果你想进行监督学习，就必须有一个数据集来训练，但训练数据集本身就不容易了。另一方面，如果你训练的神经网络模型，仅仅是模仿人类玩家的操作，那么这个模型在玩游戏时，成绩肯定不会比人类选手高。

强化学习让智能体更聪明

想训练一个AlphaGo Zero，能够击败世界顶级选手？从理论上，不能运用监督学习。那么，有什么方法可以让智能体主动来玩游戏？这时候强化学习就有用了。

实际上，强化学习的框架与监督学习框架非常相似，仍旧有输入帧，并通过神经网络模型运行模型，输出各种人类操作。唯一的区别是，我们不知道目标标签是什么，不知道在什么情况下，要进行向上或向下的键盘操作，因为这里没有数据集去训练。

在强化学习中，将输入帧转换为输出动作的网络，被称为策略网络。一个最简单的训练策略网络的方法，被称为策略梯度。策略梯度中的方法是，从一个完全随机的网络开始，并向其提供游戏产生的一个帧，它随机产生操作，然后再将该动作输入到游戏中，游戏继续产生下一帧，如此循环下去。

用强化学习教智能体玩游戏

这个例子中的网络，可以是一个全连接网络，但可以在这里运用卷积，现在你的网络会输出两个数字向上和向下的概率。当你训练时，其实是在分布中抽样，你不需要总是重复特定的操作，智能体可以一定程度上随机地探索环境，并幸运地发现更高的回报和更好的行为。

现在我们想让智能体自主学习唯一的反馈是，我们在游戏中给它一个记分牌，当智能体击中目标时，它会获得+1的回报，如果未击中目标，它会收到-1的惩罚。智能体的目标就是优化策略，以尽可能多的获取回报。因此为了训练策略网络，我们首先要收集大量记录，然后将游戏的帧输入到网络中，再随机选取动作，重新反馈到游戏中，就产生了很多随机的游戏操作。

由于智能体没有经过训练学习，它在大多数时候都会失败，但是有时候智能体随机选取了一系列行为，并击中了目标，智能体将会获得奖励。重点是对于每一局游戏，无论想要正奖励还是负奖励，我们都可以计算梯度，它使智能机在后续更多的选择某些动作。

策略梯度要做的就是对于得到正回报的局，我们使用正的梯度，以增加该类操作未来发生的可能性，但当我们得到了负的回报，就会使用相同数值的负梯度，负号会使失败局采取的所有操作在未来发生的可能性下降。结果就是，在训练策略网络时导致负回报的行为，在未来会逐渐过滤掉，而导致正回报的行为会越来越多的出现。从某种意义上说，这就是智能体正在学习如何玩游戏的过程。

相关资料推荐：

http://karpathy.github.io/2016/05/31/rl/

https://arxiv.org/abs/1709.06977雷锋网雷锋网