深度强化学习

序言 i 前言 v 常用符号 xi 第 一部分 基础知识 第 1章 机器学习基础 2 1．1 线性模型 2 1．1．1 线性回归 2 1．1．2 逻辑斯谛回归 4 1．1．3 softmax分类器 7 1．2 神经网络 10 1．2．1 全连接神经网络 10 1．2．2 卷积神经网络 11 1．3 梯度下降和反向传播 12 1．3．1 梯度下降 13 1．3．2 反向传播 14 知识点小结 16 习题 16 第 2章 蒙特卡洛方法 18 2．1 随机变量 18 2．2 蒙特卡洛方法实例 21 2．2．1 例一：近似π值 21 2．2．2 例二：估算阴影部分面积 23 2．2．3 例三：近似定积分 25 2．2．4 例四：近似期望 26 2．2．5 例五：随机梯度 27 知识点小结 29 习题 29 第3章 强化学习基本概念 31 3．1 马尔可夫决策过程 31 3．1．1 状态、动作、奖励 31 3．1．2 状态转移 32 3．2 策略 33 3．3 随机性 35 3．4 回报与折扣回报 37 3．4．1 回报 37 3．4．2 折扣回报 37 3．4．3 回报中的随机性 38 3．4．4 有限期MDP和无限期MDP 39 3．5 价值函数 39 3．5．1 动作价值函数 40 3．5．2 *优动作价值函数 40 3．5．3 状态价值函数 41 3．6 实验环境：OpenAI Gym 42 知识点小结 44 习题 44 第二部分 价值学习 第4章 DQN与Q学习 48 4．1 DQN 48 4．1．1 概念回顾 48 4．1．2 DQN表达式 49 4．1．3 DQN的梯度 50 4．2 TD算法 50 4．2．1 驾车时间预测示例 50 4．2．2 TD算法的原理 51 4．3 用TD训练DQN 53 4．3．1 算法推导 53 4．3．2 训练流程 55 4．4 Q 学习算法 57 4．4．1 表格形式的Q学习 57 4．4．2 算法推导 57 4．4．3 训练流程 58 4．5 同策略与异策略 59 相关文献 60 知识点小结 61 习题 61 第5章 SARSA算法 63 5．1 表格形式的SARSA 63 5．1．1 算法推导 63 5．1．2 训练流程 64 5．1．3 Q学习与SARSA的对比 65 5．2 神经网络形式的SARSA 66 5．2．1 价值网络 66 5．2．2 算法推导 66 5．2．3 训练流程 67 5．3 多步TD目标 68 5．3．1 算法推导 68 5．3．2 多步TD目标的原理 69 5．3．3 训练流程 70 5．4 蒙特卡洛方法与自举 70 5．4．1 蒙特卡洛方法 71 5．4．2 自举 71 5．4．3 蒙特卡洛方法和自举的对比 72 相关文献 73 知识点小结 73 习题 74 第6章 价值学习高级技巧 75 6．1 经验回放 75 6．1．1 经验回放的优点 76 6．1．2 经验回放的局限性 76 6．1．3 优先经验回放 77 6．2 高估问题及解决方法 79 6．2．1 自举导致偏差传播 79 6．2．2 *大化导致高估 80 6．2．3 高估的危害 81 6．2．4 使用目标网络 82 6．2．5 双Q学习算法 84 6．2．6 总结 85 6．3 对决网络 86 6．3．1 *优优势函数 86 6．3．2 对决网络的结构 87 6．3．3 解决不唯一性 88 6．3．4 对决网络的实际实现 89 6．4 噪声网络 90 6．4．1 噪声网络的原理 90 6．4．2 噪声DQN 91 6．4．3 训练流程 93 相关文献 94 知识点小结 94 习题 94 第三部分 策略学习 第7章 策略梯度方法 98 7．1 策略网络 98 7．2 策略学习的目标函数 99 7．3 策略梯度定理 101 7．3．1 简化证明 101 7．3．2 严格证明 102 7．3．3 近似策略梯度 106 7．4 REINFORCE 107 7．4．1 简化推导 108 7．4．2 训练流程 108 7．4．3 严格推导 109 7．5 actor-critic 110 7．5．1 价值网络 110 7．5．2 算法推导 111 7．5．3 训练流程 114 7．5．4 用目标网络改进训练 114 相关文献 115 知识点小结 115 习题 116 第8章 带基线的策略梯度方法 117 8．1 策略梯度中的基线 117 8．1．1 基线的引入 117 8．1．2 基线的直观解释 118 8．2 带基线的REINFORCE算法 119 8．2．1 策略网络和价值网络 120 8．2．2 算法推导 121 8．2．3 训练流程 121 8．3 advantage actor-critic 122 8．3．1 算法推导 123 8．3．2 训练流程 125 8．3．3 用目标网络改进训练 126 8．4 证明带基线的策略梯度定理 127 知识点小结 128 习题 128 第9章 策略学习高级技巧 129 9．1 置信域策略优化 129 9．1．1 置信域方法 129 9．1．2 策略学习的目标函数 132 9．1．3 算法推导 133 9．1．4 训练流程 135 9．2 策略学习中的熵正则 135 相关文献 138 知识点小结 138 第 10章 连续控制 139 10．1 连续空间的离散化 139 10．2 深度确定性策略梯度 140 10．2．1 策略网络和价值网络 140 10．2．2 算法推导 142 10．3 深入分析DDPG 145 10．3．1 从策略学习的角度看待DDPG 145 10．3．2 从价值学习的角度看待DDPG 146 10．3．3 DDPG的高估问题 147 10．4 双延迟深度确定性策略梯度 148 10．4．1 高估问题的解决方案——目标网络 148 10．4．2 高估问题的解决方案——截断双Q学习 148 10．4．3 其他改进点 149 10．4．4 训练流程 150 10．5 随机高斯策略 151 10．5．1 基本思路 152 10．5．2 随机高斯策略网络 153 10．5．3 策略梯度 154 10．5．4 用REINFORCE学习参数 155 10．5．5 用actor-critic学习参数 155 相关文献 157 知识点小结 157 第 11章 对状态的不完全观测 158 11．1 不完全观测问题 158 11．2 循环神经网络 159 11．3 基于RNN的策略网络 161 相关文献 162 知识点小结 163 习题 163 第 12章 模仿学习 165 12．1 行为克隆 165 12．1．1 连续控制问题 165 12．1．2 离散控制问题 166 12．1．3 行为克隆与强化学习的对比 168 12．2 逆向强化学习 169 12．2．1 IRL的基本设定 169 12．2．2 IRL的基本思想 170 12．2．3 从黑箱策略反推奖励 170 12．2．4 用奖励函数训练策略网络 171 12．3 生成判别模仿学习 171 12．3．1 生成判别网络 172 12．3．2 GAIL的生成器和判别器 175 12．3．3 GAIL的训练 176 相关文献 178 知识点小结 179 第四部分 多智能体强化学习 第 13章 并行计算 182 13．1 并行计算基础 182 13．1．1 并行梯度下降 182 13．1．2 MapReduce 183 13．1．3 用 MapReduce实现并行梯度下降 184 13．1．4 并行计算的代价 187 13．2 同步与异步 188 13．2．1 同步算法 188 13．2．2 异步算法 189 13．2．3 同步梯度下降与异步梯度下降的对比 191 13．3 并行强化学习 191 13．3．1 异步并行双Q学习 191 13．3．2 A3C：异步并行A2C 193 相关文献 195 知识点小结 195 习题 196 第 14章 多智能体系统 197 14．1 常见设定 197 14．2 基本概念 199 14．2．1 专业术语 199 14．2．2 策略网络 200 14．2．3 动作价值函数 200 14．2．4 状态价值函数 201 14．3 实验环境 202 14．3．1 multi-agent particle world 202 14．3．2 StarCraft multi-agent challenge 204 14．3．3 Hanabi Challenge 205 相关文献 206 知识点小结 206 第 15章 完全合作关系设定下的多智能体强化学习 207 15．1 完全合作关系设定下的策略学习 208 15．2 完全合作关系设定下的多智能体A2C 209 15．2．1 策略网络和价值网络 209 15．2．2 训练和决策 211 15．2．3 实现中的难点 212 15．3 三种架构 213 15．3．1 中心化训练+中心化决策 214 15．3．2 去中心化训练+去中心化决策 215 15．3．3 中心化训练+去中心化决策 217 相关文献 219 知识点小结 220 习题 220 第 16章 非合作关系设定下的多智能体强化学习 221 16．1 非合作关系设定下的策略学习 222 16．1．1 非合作关系设定下的目标函数 222 16．1．2 收敛的判别 223 16．1．3 评价策略的优劣 223 16．2 非合作关系设定下的多智能体A2C 224 16．2．1 策略网络和价值网络 224 16．2．2 算法推导 225 16．2．3 训练 226 16．2．4 决策 227 16．3 三种架构 227 16．3．1 中心化训练+中心化决策 227 16．3．2 去中心化训练+去中心化决策 228 16．3．3 中心化训练+去中心化决策 229 16．4 连续控制与MADDPG 231 16．4．1 策略网络和价值网络 231 16．4．2 算法推导 232 16．4．3 中心化训练 234 16．4．4 去中心化决策 236 相关文献 237 知识点小结 237 第 17章 注意力机制与多智能体强化学习 238 17．1 自注意力机制 238 17．1．1 自注意力层 239 17．1．2 多头自注意力层 241 17．2 自注意力改进多智能体强化学习 242 17．2．1 不使用自注意力的状态价值网络 242 17．2．2 使用自注意力的状态价值网络 243 17．2．3 使用自注意力的动作价值网络 244 17．2．4 使用自注意力的中心化策略网络 244 17．2．5 总结 245 相关文献 245 知识点小结 245 习题 246 第五部分 应用与展望 第 18章 AlphaGo与蒙特卡洛树搜索 248 18．1 强化学习眼中的围棋 248 18．2 蒙特卡洛树搜索 250 18．2．1 MCTS的基本思想 250 18．2．2 MCTS的四个步骤 250 18．2．3 MCTS的决策 255 18．3 训练策略网络和价值网络 255 18．3．1 AlphaGo 2016版本的训练 256 18．3．2 AlphaGo Zero版本的训练 258 相关文献 260 知识点小结 260 习题 261 第 19章 现实世界中的应用 262 19．1 神经网络结构搜索 262 19．1．1 超参数和交叉验证 262 19．1．2 强化学习方法 264 19．2 自动生成SQL语句 266 19．3 推荐系统 268 19．4 网约车调度 270 19．4．1 价值学习 271 19．4．2 派单机制 271 19．5 强化学习与监督学习的对比 273 19．5．1 决策是否改变环境 273 19．5．2 当前奖励还是长线回报 274 19．6 制约强化学习落地应用的因素 275 19．6．1 所需的样本数量过大 275 19．6．2 探索阶段代价太大 276 19．6．3 超参数的影响非常大 277 19．6．4 稳定性极差 278 知识点小结 279 附录A 贝尔曼方程 281 附录B 习题答案 283 参考文献 288