系統(tǒng)學習機器學習之增強學習（一）-- 模型基礎 轉自：https://www.cnblogs.com/pinard/p/9385570.html 從今天開始整理強化學習領域的知識，主要參考的資料是 Sutton 的強化學習書和UCL 強化學習的課程。這個系列大概準備寫 10 到 20 篇，希望寫完后自己的強化學習碎片化知識可以得到融會貫通，也希望可以幫到更多的人，畢竟目前系統(tǒng)的講解強化學習的中文資料不太多。

　 第一篇會從強化學習的基本概念講起，對應 Sutton 書的第一章和 UCL 課程的第一講。

　1.

　強化學習在機器學習中的位置

　 強化學習的學習思路和人比較類似，是在實踐中學習，比如學習走路，如果摔倒了，那么我們大腦后面會給一個負面的獎勵值，說明走的姿勢不好。然后我們從摔倒狀態(tài)中爬起來，如果后面正常走了一步，那么大腦會給一個正面的獎勵值，我們會知道這是一個好的走路姿勢。那么這個過程和之前講的機器學習方法有什么區(qū)別呢？

　 強化學習是和監(jiān)督學習，非監(jiān)督學習并列的第三種機器學習方法，從下圖我們可以看出來。

　強化學習來和監(jiān)督學習最大的區(qū)別是它是沒有監(jiān)督學習已經(jīng)準備好的訓練數(shù)據(jù)輸出值的。強化學習只有獎勵值，但是這個獎勵值和監(jiān)督學習的輸出值不一樣，它不是事先給出的，而是延后給出的，比如上面的例子里走路摔倒了才得到大腦的獎勵值。同時，強化學習的每一步與時間順序前后關系緊密。而監(jiān)督學習的訓練數(shù)據(jù)之間一般都是獨立的，沒有這種前后的依賴關系。

　再來看看強化學習和非監(jiān)督學習的區(qū)別。也還是在獎勵值這個地方。非監(jiān)督學習是沒有輸出值也沒有獎勵值的，它只有數(shù)據(jù)特征。同時和監(jiān)督學習一樣，數(shù)據(jù)之間也都是獨立的，沒有強化學習這樣的前后依賴關系。

　2. 強化學習的建模

　 我們現(xiàn)在來看看強化學習這樣的問題我們怎么來建模，簡單的來說，是下圖這樣的：

　上面的大腦代表我們的算法執(zhí)行個體，我們可以操作個體來做決策，即選擇一個合適的動作（Action）At。下面的地球代表我們要研究的環(huán)境,它有自己的狀態(tài)模型，我們選擇了動作 At 后，環(huán)境的狀態(tài)(State)會變，我們會發(fā)現(xiàn)環(huán)境狀態(tài)已經(jīng)變?yōu)?St+1,同時我們得到了我們采取動作 At 的延時獎勵(Reward)Rt+1。然后個體可以繼續(xù)選擇下一個合適的動作，然后環(huán)境的狀態(tài)又會變，又有新的獎勵值。。。這就是強化學習的思路。

　 那么我們可以整理下這個思路里面出現(xiàn)的強化學習要素。

　 第一個是環(huán)境的狀態(tài) S, t 時刻環(huán)境的狀態(tài) St 是它的環(huán)境狀態(tài)集中某一個狀態(tài)。

　 第二個是個體的動作 A, t 時刻個體采取的動作 At 是它的動作集中某一個動作。

　 第三個是環(huán)境的獎勵 R,t 時刻個體在狀態(tài) St 采取的動作 At 對應的獎勵Rt+1 會在 t+1 時刻得到。

　 下面是稍復雜一些的模型要素。

　第四個是個體的策略(policy)π,它代表個體采取動作的依據(jù)，即個體會依據(jù)策略 π 來選擇動作。最常見的策略表達方式是一個條件分布 π(a|s)， 即在狀態(tài) s 時采取動作 a 的概率。即 π(a|s)=P(At=a|St=s).此時概率大的動作被個體選擇的概率較高。

　 第五個是個體在策略 π 和狀態(tài) s 時，采取行動后的價值（value），一般用 vπ(s)表示。這個價值一般是一個期望函數(shù)。雖然當前動作會給一個延時獎勵Rt+1,但是光看這個延時獎勵是不行的，因為當前的延時獎勵高，不代表到了t+1,t+2,...時刻的后續(xù)獎勵也高。比如下象棋，我們可以某個動作可以吃掉對方的車，這個延時獎勵是很高，但是接著后面我們輸棋了。此時吃車的動作獎勵值高但是價值并不高。因此我們的價值要綜合考慮當前的延時獎勵和后續(xù)的延時獎勵。價值函數(shù) vπ(s)一般可以表示為下式，不同的算法會有對應的一些價值函數(shù)變種，但思路相同。：

　vπ(s)=?π(Rt+1+γRt+2+γ2Rt+3+...|St=s)

　 其中 γ 是第六個模型要素，即獎勵衰減因子，在[0，1]之間。如果為 0，則是貪婪法，即價值只由當前延時獎勵決定，如果是 1，則所有的后續(xù)狀態(tài)獎勵和當前獎勵一視同仁。大多數(shù)時候，我們會取一個 0 到 1 之間的數(shù)字，即當前延時獎勵的權重比后續(xù)獎勵的權重大。

　 第七個是環(huán)境的狀態(tài)轉化模型，可以理解為一個概率狀態(tài)機，它可以表示為一個概率模型，即在狀態(tài) s 下采取動作 a,轉到下一個狀態(tài) s′的概率，表示為Pass′。

　 第八個是探索率 ?，這個比率主要用在強化學習訓練迭代過程中，由于我們一般會選擇使當前輪迭代價值最大的動作，但是這會導致一些較好的但我們沒有執(zhí)行過的動作被錯過。因此我們在訓練選擇最優(yōu)時，會有一定的概率 ? 不選擇使當前輪迭代價值最大的動作，而選擇其他的動作。

　 以上 8 個就是強化學習模型的基本要素了。當然，在不同的強化學習模型中，會考慮一些其他的模型，或者不考慮上述要素的某幾個，但是這 8 個是大多數(shù)強化學習模型的基本要素。

　3. 強化學習的簡單實例

　 這里給出一個簡單的強化學習例子 Tic-Tac-Toe。這是一個簡單的游戲，在一個 3x3 的九宮格里，兩個人輪流下，直到有個人的棋子滿足三個一橫一豎或者一斜，贏得比賽游戲結束，或者九宮格填滿也沒有人贏，則和棋。

　 這個例子的完整代碼在我的 github。例子只有一個文件，很簡單，代碼首先會用兩個電腦選手訓練模型，然后可以讓人和機器對戰(zhàn)。當然，由于這個模型很簡單，所以只要你不亂走，最后的結果都是和棋，當然想贏電腦也是不可能的。

　我們重點看看這個例子的模型，理解上面第二節(jié)的部分。如何訓練強化學習模型可以先不管。代碼部分大家可以自己去看，只有 300 多行。

　 首先看第一個要素環(huán)境的狀態(tài) S。這是一個九宮格，每個格子有三種狀態(tài)，即沒有棋子(取值 0)，有第一個選手的棋子（取值 1），有第二個選手的棋子（取值-1）。那么這個模型的狀態(tài)一共有 19683 個。

　 接著我們看個體的動作 A，這里只有 9 個格子，每次也只能下一步，所以最多只有 9 個動作選項。實際上由于已經(jīng)有棋子的格子是不能再下的，所以動作選項會更少。實際可以選擇動作的就是那些取值為 0 的格子。

　 第三個是環(huán)境的獎勵 R，這個一般是我們自己設計。由于我們的目的是贏棋，所以如果某個動作導致的改變到的狀態(tài)可以使我們贏棋，結束游戲，那么獎勵最高，反之則獎勵最低。其余的雙方下棋動作都有獎勵，但獎勵較少。特別的，對于先下的棋手，不會導致結束的動作獎勵要比后下的棋手少。

　# give reward to two players

　def giveReward(self):

　if self.currentState.winner == self.p1Symbol:

　self.p1.feedReward(1)

　self.p2.feedReward(0)

　elif self.currentState.winner == self.p2Symbol:

　self.p1.feedReward(0)

　self.p2.feedReward(1)

　else:

　self.p1.feedReward(0.1)

　self.p2.feedReward(0.5)

　 第四個是個體的策略(policy)π，這個一般是學習得到的，我們會在每輪以較大的概率選擇當前價值最高的動作，同時以較小的概率去探索新動作，在這里AI 的策略如下面代碼所示。

　 里面的 exploreRate 就是我們的第八個要素探索率 ?。即策略是以 1−? 的概率選擇當前最大價值的動作，以 ? 的概率隨機選擇新動作。

　 # determine next action

　def takeAction(self):

　state = self.states[-1]

　nextStates = []

　nextPositions = []

　for i in range(BOARD_ROWS):

　for j in range(BOARD_COLS):

　if state.data[i, j] == 0:

　nextPositions.append([i, j])

　nextStates.append(state.nextState(i, j, self.symbol).getHash())

　if np.random.binomial(1, self.exploreRate):

　np.random.shuffle(nextPositions)

　# Not sure if truncating is the best way to deal with exploratory step

　# Maybe it"s better to only skip this step rather than forget all the history

　self.states = []

　action = nextPositions[0]

　action.append(self.symbol)

　return action

　 values = []

　for hash, pos in zip(nextStates, nextPositions):

　values.append((self.estimations[hash], pos))

　np.random.shuffle(values)

　values.sort(key=lambda x: x[0], reverse=True)

　action = values[0][1]

　action.append(self.symbol)

　return action

　 第五個是價值函數(shù)，代碼里用 value 表示。價值函數(shù)的更新代碼里只考慮了當前動作的現(xiàn)有價值和得到的獎勵兩部分，可以認為我們的第六個模型要素衰減因子 γ 為 0。具體的代碼部分如下，價值更新部分的代碼加粗。具體為什么會這樣更新價值函數(shù)我們以后會講。

　# update estimation according to reward

　def feedReward(self, reward):

　if len(self.states) == 0:

　return

　self.states = [state.getHash() for state in self.states]

　target = reward

　for latestState in reversed(self.states):

　value = self.estimations[latestState] + self.stepSize * (target - self.estimations[latestState])

　self.estimations[latestState] = value

　target = value

　self.states = []

　第七個是環(huán)境的狀態(tài)轉化模型, 這里由于每一個動作后，環(huán)境的下一個模型狀態(tài)是確定的，也就是九宮格的每個格子是否有某個選手的棋子是確定的，因此轉化的概率都是 1，不存在某個動作后會以一定的概率到某幾個新狀態(tài)，比較簡單。

　 從這個例子，相信大家對于強化學習的建模會有一個初步的認識了。

　 以上就是強化學習的模型基礎，下一篇會討論馬爾科夫決策過程。

相關熱詞搜索：學習 模型 增強