【DataWhale打卡】第一天：学习周博磊讲的强化学习结合《深入理解AutoML和AutoDL》这本书中的强化学习的章节总结了基础部分。
参考资料：https://github.com/zhoubolei/introRL
先导课程：线性代数、概率论、机器学习/数据挖掘/深度学习/模式识别
编程基础：Python, PyTorch
强化学习在做什么？
强化学习和监督学习有很大的区别：
-
监督学习需要提供数据和对应的标签，训练数据和测试数据是独立同分布的，从而进行模式和特征的学习。
-
强化学习不同，强化学习没有直接的标签进行指导，并且数据不是独立同分布的，前后数据有比较强的关系。强化学习可以在环境中进行探索和试错，根据实验的结果提取经验，从而学习到最佳策略。
| 监督学习 | 无监督学习 | 强化学习 | |
|---|---|---|---|
| 输出值 | 标签 | 无 | 奖励值 |
| 标签/奖励 | 人类提供标注 | 无标签 | 延迟奖励 |
| 经验 | 无 | 无 | 有 |
| 损失值 | 有 | 无 | 无 |
| 输入 | 独立同分布 | 独立同分布 | 前后依赖 |
强化学习的目标是训练一个agent，能够在不同的情况做出最佳的action，从而让系统给出的reward值最大化。
流程如下：agent会观察环境得到observation（state），然会采取一个action，环境受到这个action的作用，会反馈给agent一个reward，同时环境状态state也发生了改变。循环往复，agent目标是为了从环境中获得最高reward奖励。
存在两大主体，智能体Agent和环境Environment，整个过程是序列化的：
智能体目标就是最大化奖励函数 $$ G_t $$:
也就是说当前时序为t的时候，最大化奖励函数就是从当前一直到最后一个状态（完成一个episode）所获取的所有Reward。(gamma) 是一个0-1之间的数，叫做奖励衰减因子。如果等于0，代表这个Agent只考虑当前即时结果，不考虑目标长远。如果等于1，代表这个Agent考虑的是长远利益，放眼整体。
强化学习的特点：
- 输入的数据是序列化、前后有依赖的，并不是独立同分布的。
- 没有监督信息，每一步没有被告诉应该做什么。
- Trial-and-error exploration，exploration和exploitation之间的平衡：
- exploration: 代表探索环境，尝试一些新的行为，这些行为有可能会带来巨大的收益，也可能减少收益。
- exploitation: 就采取当前已知的可以获得最大收益的action。
- Reward Delay效应，当采取一个action以后，并不会立刻得到反馈，需要等待一段时间或者等结束之后才会有反馈。
基本要素
- 环境的状态：用符号S表示，(S_t)代表t时刻下处于的某一个状态。
- 个体的动作：用符号A表示，(A_t)代表t时刻个体采取的动作。
- 环境的奖励：用符号R表示，(R_{t+1})表示t时刻个体在(S_t)状态下，采取动作(A_t)得到的奖励。
- 智能体agent策略：用符号(pi)表示，agent会根据(pi)表示的策略来选择动作。
- 价值函数：用符号(V^{pi}(s))表示，agent在面临状态S的情况下，如果采用策略(pi)后进行动作的价值，是一个期望函数。$$V^{pi}(s)=E_{pi}(R_{t+1}+gamma R_{t+2}+gamma^2 R_{t+3}+...|S_t=s)$$
- 奖励衰减因子：用符号(gamma)来表示，是一个0-1之间的数，用于约束距离时间较远的reward所占的比重。
基本方法
强化学习主要分为动态规划、蒙特卡罗法、时序差分法。强化学习中，从一个状态s转化到另外一个状态s'不仅和当前状态s和动作a有关，还与之前的状态有关。但是考虑这么多状态会导致模型非常复杂，所以引入马尔可夫性来简化问题，也就是一个假设(H), 即转化到下一个状态s‘的概率仅仅与当前的状态s有关，而和之前的状态没有关系。
解决马尔科夫决策过程有两个分类，见上图，需要解释的是Model-based方法和Model-Free方法。
Model-based方法代表这个问题中，必须能够获得环境的状态转化方程。
Model-Free方法代表不需要对环境进行完全的建模，只需要经验，也就是实际或者仿真的与环境进行交互的整个样本序列。
强化学习应用案例
- alpha-go、alpha-zero围棋战胜李世石。
- 王者荣耀 绝悟AI 就是强化学习技术应用在MOBA游戏的一个典型例子。
- 可以将股票的买卖看作强化学习问题，如何操作能让收益极大化。
- Atari等电脑游戏。
- 机器人，比如如何让机械臂自己学会给一个杯子中倒水、抓取物体。
- DeepMind让Agent学习走路。
- 训练机械臂通过手指转魔方。
- 训练Agent穿衣服。
知识点补充
Rollout：从游戏当前帧，生成很多局游戏，让当前的Model和环境交互，得到很多的观测（轨迹）,得到最终的最终reward，从而可以训练agent。