IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 李宏毅机器学习(30) -> 正文阅读

[人工智能]李宏毅机器学习(30)

Q-Learing

Critic

相比于Policy,Critics的评价方法很不一样:他有一个状态评价函数 V π V^π Vπ,输入是Environment的一个状态State,然后根据Actor也就是 π π π的情况,输出从当前这个状态开始到结束,一共能获得多少期望的Reward,记为 V π ( s ) V^π(s) Vπ(s)
比如打砖块时, V π V^π Vπ会输出从现在到结束大概能得多少分。
比如下围棋, V π V^π Vπ会输出现在的局势下双方胜率是多少。
在这里插入图片描述
在这里插入图片描述

那么,如何做这个 V π V^π Vπ呢?一般有两种办法。

第一种,蒙特卡洛法。先观察 π π π玩很多次游戏。然后看到一个state后将结果尽量向某一局游戏结果贴合。
在这里插入图片描述
第二种,时序查分算法。我们只需要知道从状态 s a s_a sa?到状态 s b s_b sb?需要做Action a a a,获得Reward r r r。那我们就可以训练一个Network,让 V π ( s b ) ? V π ( s a ) V^π(s_b)-V^π(s_a) Vπ(sb?)?Vπ(sa?)尽可能接近 r r r
在这里插入图片描述
以实例来说明两者之间的差别。
目前多数使用TD,MC很少用了。
在这里插入图片描述

还有一种Critic的方法。用 Q π ( s , a ) Q^π(s,a) Qπ(s,a)在某个状态s采取了行动a之后会得到累计的Reward。
这就是Q-Learning
在这里插入图片描述
Q-learning的思路就是通过与环境互动使用更好的 π π π。而且,只要求出 Q π ( s , a ) Q^π(s,a) Qπ(s,a)就一定能找到一个更好的Actor π π π
在这里插入图片描述
什么是更的Actor呢?对于任意的状态s,都有:
在这里插入图片描述
实际上, π ′ π' π并没有额外的参数或者另一个神经网络去表示,它只是依靠 Q Q Q推导出来的。
注意: 如果动作是一个连续值的话则不适合使用这种方法。
在这里插入图片描述

Q-learning技巧

Target Network

我们使用Q-learning的时候,有一个部分 Q π ( s t , a t ) = r t + Q π ( s t + 1 , π ( s t + 1 ) ) Q^π ( s_t , a_t ) = r_t + Q^π ( s_{t+1}, π ( s_{t + 1} ) ) Qπ(st?,at?)=rt?+Qπ(st+1?,π(st+1?))这和之前的TD方法是类似的(同样都有Rewarf值)。
因为我们训练的时候不希望改变我们的Target,因为我们要拟合一个不停变化的值是相当困难的。所以我们选择固定Target的值,不改变他的参数,在这种情况下进行训练。
具体过程如下:
在这里插入图片描述

Exploration

没有探索到的位置的 Q Q Q值始终为0,因而一直不会被选中(如果使用的是神经网络这种现象较弱,但是依然存在)。
所以为了避免每次都做出同样的选择,我们可以采用以下的方法:
在这里插入图片描述

Replay Buffer

这个方法把最近的与环境交互结果数据(不一定是同一个π \piπ出来的数据)都放到缓存区里,利用这些数据进行训练。但是使用不同的π \piπ值会不会影响我们的训练呢?结论是不会的。
在这里插入图片描述

算法执行过程

在这里插入图片描述

Q-Learning的Tips

Double DQN

我们发现 Q Q Q总是被高估。(Alien图)
原因在于每次更新Actor时我们都会选择一Reward最大的Action,一旦某个Action被高估了,他就很有可能被选中,从而将这个偏差不断累积下去。
在这里插入图片描述
在这里插入图片描述
解决方法也很巧妙:用两个 Q Q Q函数,一个负责选Action,一个负责给Reward。这样只有两个函数同时出问题时,最后结果才会被高估。这样高估的概率大大减少了。
在这里插入图片描述

Dueling DQN

Dueling DQN不需要太了解,只需要知道他改了原来Network的架构:原来直接输出 Q Q Q,现在把 Q Q Q拆成 V ( x ) V(x) V(x) A ( s , a ) A(s,a) A(s,a)的和。
在这里插入图片描述
这样的好处是修改数值的时候很方便。
为了防止出问题,我们要让NN尽量改V而不是A。因此要做如下限制。
在这里插入图片描述

Muti-Step

我们可以平衡一下MC和TD方法。
在这里插入图片描述

Noisy Net

在这里插入图片描述
在这里插入图片描述

Distributional Q-function

在这里插入图片描述
在这里插入图片描述

Rainbow

Rainbow就是把这一堆技术全用起来。
个人感觉是瞎搞,用处不大。
在这里插入图片描述

连续Q-learning

当动作是一个连续的向量
a = arg ? max ? a Q ( s , a ) a=\arg \max _{a} Q(s, a) a=argmaxa?Q(s,a)
这个式子就不能通过穷举计算得出,所以我们要怎样进行选择呢。
方法一:大力枚举。会丢失精度;
方法二:Gradient Descent。会大幅降低速度。
在这里插入图片描述
方法三将 Q Q Q拆成一个向量 μ ( s ) μ(s) μ(s)、一个矩阵 Σ ( s ) Σ(s) Σ(s)和一个标量 V ( s ) V(s) V(s)。但实现起来十分复杂。
在这里插入图片描述
我们还可以使用别的方法:不用Q-Learning,而是用Actor+Critic。在这里插入图片描述

Actor+Critic

Actor+Critic最有名的算法就是A3C。其实A3C实现起来并不难,就是把Policy的公式部分内容用Critic里的函数替代就行了,如下:
在这里插入图片描述
但是,这样可能需要训练两个网络。我们做个变换,利用公式 Q t = E [ r t + V ( s t + 1 ) ] Q_t=E[r_t+V(s_{t+1})] Qt?=E[rt?+V(st+1?)]但是,这样其实引入了一个随机的东西,即 r r r
在这里插入图片描述
整个流程如下:用 π \pi π去与环境互动,得到数据,通过 TD 或 MC 的方法,从数据中得到 V V V的估值,并且按照上式对 π π π进行梯度下降。
在这里插入图片描述
在训练时,可以共享一些参数。此外,还可以对 π ( s ) \pi(s) π(s)做熵值的正则。
在这里插入图片描述
此外,为了提升速度,我们还可以同时开几个 worker (一个 worker 一个 CPU),并行地与环境互动,计算出梯度,传回去。
在这里插入图片描述

Pathwise derivative policy gradient

传统的Actor-critic只会对State和Action做出评价。
而在 Pathwise derivative policy gradient 中,不但告诉 actor 好坏,还告诉其该怎么做。
在这里插入图片描述
实现中,我们要使用 GAN 的架构。Q 与 Actor 分别训练。在训练 Actor 时,就将 Q 固定住。
在这里插入图片描述
在这里插入图片描述
此外,在 Q-Learning 中好用的技巧,这里都可以用到。
如果需要求 a a a,直接从 π ( s ) \pi(s) π(s)输出就好。
在这里插入图片描述
但是,如上,其与GAN很相似,但是都是很难训练的。

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-22 13:32:41  更:2021-08-22 13:33:28 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/27 18:25:04-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码