系列导读：《无痛的增强学习入门》系列文章旨在为大家介绍增强学习相关的入门知识，为大家后续的深入学习打下基础。其中包括增强学习的基本思想，MDP 框架，几种基本的学习算法介绍，以及一些简单的实际案例。
作为机器学习中十分重要的一支，增强学习在这些年取得了十分令人惊喜的成绩，这也使得越来越多的人加入到学习增强学习的队伍当中。增强学习的知识和内容与经典监督学习、非监督学习相比并不容易，而且可解释的小例子比较少，本系列将向各位读者简单介绍其中的基本知识，并以一个小例子贯穿其中。
- 无痛的增强学习入门：基本概念篇
- 无痛的增强学习入门： 增强学习形式化
- 无痛的增强学习入门：策略迭代
- 无痛的增强学习入门：价值迭代
- 无痛的增强学习入门：泛化迭代
- 无痛的增强学习入门：蒙特卡罗方法
- 无痛的增强学习入门：差分时序法
8 Q-Learning
8.1 Q-Learning
上一节我们介绍了 TD 的 SARSA 算法，它的核心公式为：
\(q_t(s,a)=q_{t-1}(s,a)+\frac{1}{N}[R(s’)+q(s’,a’)-q_{t-1}(s,a)]\)
接下来我们要看的另一种 TD 的算法叫做 Q-Learning，它的基本公式为：
\(q_t(s,a)=q_{t-1}(s,a)+\frac{1}{N}[R(s’)+max_{a’} q(s’,a’)-q_{t-1}(s,a)]\)
两个算法的差别只在其中的一个项目，一个使用了当前 episode 中的状态 - 行动序列，另一个并没有，而是选择了数值最大的那个。这就涉及到两种不同的思路了。我们先暂时不管这个思路，来看看这个算法的效果。
首先还是实现代码：
def q_learning(self): iteration = 0 while True: iteration += 1 self.q_learn_eval() ret = self.policy_improve() if not ret: break
对应的策略评估代码为：
def q_learn_eval(self): episode_num = 1000 env = self.snake for i in range(episode_num): env.start() state = env.pos prev_act = -1 while True: act = self.policy_act(state) reward, state = env.action(act) if prev_act != -1: return_val = reward + (0 if state == -1 else np.max(self.value_q[state,:])) self.value_n[prev_state][prev_act] += 1 self.value_q[prev_state][prev_act] += (return_val - \ self.value_q[prev_state][prev_act]) / \ self.value_n[prev_state][prev_act] prev_act = act prev_state = state if state == -1: break
实际的运行代码省略，最终的结果为：
Timer Temporal Difference Iter COST:4.24033594131 return_pi=81 [0 0 0 0 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0] policy evaluation proceed 94 iters. policy evaluation proceed 62 iters. policy evaluation proceed 46 iters. Iter 3 rounds converge Timer PolicyIter COST:0.318824052811 return_pi=84 [0 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0]
可以看出，Q-Learning 的方法和策略迭代比还是有点差距，当然通过一些方法是可以把数字提高的，但是这不是本文的重点了。不过从结果来看，Q-Learning 比 SARSA 要好一些。
8.2 On-Policy 与 Off-Policy
实际上这两种算法代表了两种思考问题的方式，分别是 On-Policy 和 Off-Policy。On-Policy 的代表是 SARSA，它的价值函数更新是完全根据 episode 的进展进行的，相当于在之前的基础上不断计算做改进；Off-Policy 的代表是 Q-Learning，它的价值函数中包含了之前的精华，所以可以算是战得更高，看得更远。当然也不能说 Off-Policy 就绝对好，Off-Policy 还会带来一些自己的问题，总之我们需要具体问题具体分析。
这里最后再做一点对两大类算法的总结。其实如果游戏有终点，模型不复杂（像我们的蛇棋），蒙特卡罗法还是有绝对的优势，但是蒙特卡罗的软肋也比较明显，它需要完整的 episode，产生的结果方差大，这对于一些大型游戏并不适合，所以在真正的产品级规模的增强学习上，TD 的身影还是更多一些。
8.3 展望
由于篇幅的限制，到这里我们实际上就完成了对增强学习的一些基础内容的介绍，但是了解了这些内容，还不足以完成更加复杂的任务，下面就让我们简单了解一些更为高级的内容。
8.3.1 Function Approximation
前面我们提到的所有的增强学习算法都是基于表格的，表格的好处在于我们可以独立地考虑每一个状态、每一个行动的价值，不需要把很多状态汇集在一起考虑，然而在很多实际问题中，状态的数目非常多，甚至状态本身就不是连续的，那么采用表格来进行计算就显得不太现实，于是研究人员就开始研究一些更为合适的表达方式，这时候，我们的机器学习就登场了，我们可以建立一些模型，并用一个模型来表示状态、行动到价值函数的关系。
我们令状态为\(s \in S\)，行动为\(a \in A\)，最终的价值函数为\(v \in R\)，那么我们要建立这样一个映射：
\(S \times A \rightarrow R\)
这样我们就把增强学习中的一个子问题转换成了监督学习，而监督学习是大家熟悉的套路，所以做起来就更加的得心应手了。实际上这就是一个回归问题，于是所有可以用于回归问题的模型都可以被我们用上。比方说线性回归，支持向量回归，决策树，神经网络。因为现在深度学习十分火，于是我们可以用一个深层的神经网络完成这个映射。
模型函数和监督学习使我们又了从另一个角度观察增强学习的可能。此时的模型要考虑 bias 和 variance 的权衡，要考虑模型的泛化性，这些问题最终都会映射到增强学习上。模型的表示形式也有很多种，前面给出的\(S \times A \rightarrow R\) 只是模型表示的一种形式，我们还可以表示成\(S \rightarrow A,R\) 这样的形式。对于第一种表示形式，由于不同的行动将作用在同一个状态下（或者不同的行动被同一种行动操纵），模型中的参数表示必然会存在重复，那么为了更好地共享参数，我们可以使用后面一种形式来表示。
说完了模型的形式，那么接下来就来看看模型的目标函数。最简单的目标函数自然是平方损失函数：
\(obj=\frac{1}{2}\sum_i^N(v’_i(s,a;w) - v_i)^2\)
其中的\(v_i’\) 表示模型估计的价值，而\(v_i\) 表示当前的真实价值，定义了目标函数，下面我们就可以利用机器学习经典的梯度下降法求解了：
\(\frac{\partial obj}{\partial w}=\sum_i^N (v_i’ -v_i) \frac{\partial v_i’}{\partial w}\)
这个公式是不是看上去很眼熟？实际上如果
\(\frac{\partial v_i’}{\partial w}=1\)
，那么模型的最优解就等于
\(v_i’=\frac{1}{N}\sum_i^N v_i\)
也就是所有训练数据的平均值，这个结果和表格版的计算公式是一致的，也就是说表格版的算法实际上也是一种模型，只不过它的梯度处处为 1。
关于模型更多的讨论，我们也可以取阅读各种论文，论文中对这里面的各个问题都有深入的讨论。
8.3.2 Policy Gradient
另外一个方向则是跳出已有的思维框架，朝着另一种运算方式前进。这种方法被称为 Policy Gradient。在这种方法中，我们不再采用先求价值函数，后更新策略的方式，而是直接针对策略进行建模，也就是\(\pi(a|s)\) 建模。
我们回到增强学习问题的源头，最初我们希望找到一种策略使得 Agent 的长期回报最大化，也就是：
\(max E_{\pi}[v_{\pi}(s_0)]\)
这个公式求解梯度可以展开为：
\(\nabla v_{\pi}(s_0)=E_{\pi}[\gamma^t G_t \nabla log \pi(a_t|s_t;w)]\)
更新公式为：
\(\theta_{t+1}=\theta_t + \alpha G_t \nabla log\pi(a_t|s_t;w)\)
这其中的推导过程就省略不谈了。得到了目标函数的梯度，那么我们就可以直接根据梯度去求极值了。我们真正关心的部分实际上是里面的那个求梯度的部分，所以当整体目标达到最大时，策略也就达到了最大值，因此目标函数的梯度可以回传给模型以供使用。由于 log 函数不改变函数的单调性，对最终的最优策略步影响，于是我们可以直接对\(log \pi(a|s;w)\) 进行建模。这个方法被称为 REINFORCE。
当然，这个算法里面还存在着一些问题。比方说里面的\(G_t\) 同样是用蒙特卡罗的方法得到的。它和蒙特卡罗方法一样，存在着高方差的问题，为了解决高方差的问题，有人提出构建一个 BaseLine 模型，让每一个\(G_t\) 减掉 BaseLine 数字，从而降低了模型的方差。更新公式为：
\(\theta_{t+1}=\theta_t + \alpha (G_t-b(S_t)) \nabla log\pi(a_t|s_t;w)\)
8.3.3 Actor-Critic
既然有基于 Policy-Gradient 的蒙特卡罗方法，那么就应该有 TD 的方法。这种方法被称为 Actor-Critic 方法。这个方法由两个模型组成，其中 Actor 负责 Policy 的建模，Critic 负责价值函数的建模，于是上面基于 BaseLine 的 REINFORCE 算法的公式就变成了：
\(\theta_{t+1}=\theta_t + \alpha (R_{t+1}+\gamma \hat{v}(s_{t+1};w)-\hat{v}(S_t;w)) \nabla log\pi(a_t|s_t;w)\)
这样每一轮的优化也就变成了先根据模拟的 episode 信息优化价值函数，然后再优化策略的过程。
一般来说，上面公式中的\((R_{t+1}+\gamma \hat{v}(s_{t+1};w)-\hat{v}(S_t;w))\) 表示向前看一步的价值和就在当前分析的价值的差。下棋的人们都知道“下棋看三步”的道理，也就是说有时面对一些游戏的状态，我们在有条件的情况下可以多向前看看，再做出决定，所以一般认为多看一步的价值函数的值会更高更好一些，所以上面的那一项通常被称为优势项（Advantage）。
在前面的实验中我们也发现，对于无模型的问题，我们要进行大量的采样才能获得比较精确的结果，对于更大的问题来说，需要的采样模拟也就更多。因此，对于大量的计算量，如何更快地完成计算也成为了一个问题。有一个比较知名且效果不错的算法，被称为 A3C(Asynchronous Advantage Actor-Critic) 的方法，主要是采用了异步的方式进行并行采样，更新参数，这个方法也得到了比较好的效果。
以上就是《无痛的增强学习》入门篇，我们以蛇棋为例介绍了增强学习基础框架 MDP，介绍了模型已知的几种方法——策略迭代、价值迭代、泛化迭代法，介绍了模型未知的几种方法——蒙特卡罗、SARSA、Q-Learning，还简单介绍了一些更高级的计算方法，希望大家能从中有所收获。由于作者才疏学浅，行文中难免有疏漏之处，还请各位谅解。
作者介绍
冯超，毕业于中国科学院大学，猿辅导研究团队视觉研究负责人，小猿搜题拍照搜题负责人之一。2017 年独立撰写《深度学习轻松学：核心算法与视觉实践》一书，以轻松幽默的语言深入详细地介绍了深度学习的基本结构，模型优化和参数设置细节，视觉领域应用等内容。自 2016 年起在知乎开设了自己的专栏：《无痛的机器学习》，发表机器学习与深度学习相关文章，收到了不错的反响，并被多家媒体转载。曾多次参与社区技术分享活动。
腾讯云云原生提质增效实践精选集 2024
《2024腾讯云云原生提质增效实践精选集》出炉，5大热门技术领域，13个行业精选标杆案例，痛点到解决方案全...
评论