Deep Reinforcemen Learning
文章目录
摘要
本章要讲的是Deep Reinforcemen Learning（深度强化学习），它是一种更接近人类思维的人工智能的方法，是通过奖励机制来进行训练的模型，它有Actor和Critic，Actor负责接收Env的信息做出行动，Critic则负责评估Actor做出行为的好坏根据奖励规则进行打分，得到的Reward值反馈给Actor，和GAN的训练类似。但是有些问题的奖励规则是很难找到甚至没法找到的，当没有奖励规则时可用老师做示范教机器学习，这个方法叫Imitation Learning。也可让机器自己根据老师的示例找到Reward Function确定奖励机制，这个方法叫Inverse Reinforcement Learning(IRL)。1、Reinforcemen Learning(RL)是什么？
RL是让机器跟环境去做互动，用得到的反馈进行训练的模型。
RL中最重要的是Actor，Actor是一个Function，它的input是machine观察到的Observation，它的Output是machine的Action。而Actor是通过Reward找出来的。
1.1 RL的做法
RL的做法步骤和机器学习步骤是一模一样的。
1.1.1 Function with Unknown
以下面的游戏为例，Input是矩阵，Output就是Machine可以做的Action的集合。Neural network是通过输出Action的概率分布来决定machine接下来要做的事情的。最终的输出可以选择按概率从分布中sample，也可以选择直接输出概率最高的action，两者都有其有点，可以根据具体问题选择合适的方法。
1.1.2 Define"Loss"
以杀死外星人的游戏为例，首先有一个初始化的游戏画面作为输入，机器看到后就会输出，比如说输出“right”，这样因为没有杀死外星人，得到的reward r1=0，“right”后得到新的游戏画面作为输出，若机器看到后输出"fire"杀死外星人，这时会得到reward r2=5，经过很多次后，游戏结束了。从游戏开始到结束整个过程被叫做一个episode。在这个episode中机器会得到很多个reward，把所有的reward加起来就得到total reward R。显然R就是我们要最大化的目标。
1.1.3 Optimization
用更直观的方法来总结以下RL，它就像下图一样，环境Env输出初始值给Actor，Actor看到后输出a1给Env指挥机器行动，Env再输出S2给Actor，依此类推。所有的Reward的总和就是R，R也就是“Loss”。但是RL中的S和A都具有随机性，所有没法用梯度下降的方法来求解。
2、Policy Gradient
2.1 How to control your actor
就是用一些训练资料，让机器看到某些输入，就尽量去执行或者不执行某些行为。但是训练资料是怎么得到的呢，这就是接下来我们要解决的问题。
2.2 Policy Gradient做法
首先初始化actor的参数θ0，然后进行一个for循环的迭代训练收集资料，在这个for循环内要做的事情是让参数是θn-1的actor和环境做互动，收集互动数据，再设置用来评价互动数据好坏的An，得到Loss Function，用gradient descent更新参数θ。
所以每更新一次参数，都有重新收集一次资料，所以该model训练是非常缓慢的。
2.3 Collection Training Data: Exploration
在收集数据时，我们希望可以收集到更全面是数据，所以希望actor收集数据时，随机性大一点，以确保训练数据的全面性，这个就是Exploration，是train模型的技巧。
3、Actor-Critic
3.1 Critic是什么
Critic是用来评估Actor的好坏的，一个常用的Critic是Value function，以游戏为例，它的输入是s(现在游戏的状况)，输入是看到s时得到的Discounted cumulated reward(下图右上角公式)。
3.2 Critic是怎么训练的
3.2.1 Monte-Carlo(MC) based approach
MC是让actor去玩一些游戏，得到一些游戏记录，这时就可发现，当看到一些游戏画面时，采用某些行动正确率是最高的。这时在训练时，actor再看到相同画面时，希望其输出V与训练资料越接近越好。
3.2.2 Temporal-difference(TD) approach
TD是不用玩完一整场游戏，用部分游戏资料对model进行训练。它是用V(St)和V(St+1)之间关系进行训练的。
4、Sparse Reward
在做一些任务如下围棋，拧螺丝的任务时，得到的Reward一般都是0，只有在任务完成的时候Reward才是1，遇到这种情况时直接training就不好用了，我们需要额外的Reward来引导我们的Reward学习。假设我们现在有一个任务，是让机器把蓝色的板子插到木棍上，若直接用RL去学，显然是很困难的，这时就可以加入些额外的Reward。如板子离棍子越近，得到的Reward就越大，但是光靠这一个额外的Reward是不够的，所以Sparse Reward用的时候是需要我们对该问题理解足够的。
5、No Reward: Learning from Demonstration
5.1 Imitation Learning
在真实环境里，面对有些问题时，Reward很难被定义甚至无法定义，如叫自驾车学会在路上走。在没有Reward的情况下，要怎么训练一个Agent去跟环境互动呢，一个常见的方法叫Imitation Learning。它的做法除了没有Reward外，和RL是一样的。
没有Reward就没法自己学了，所以需要找一些示范，让Agent跟着示范去学习，示范就像机器的老师，带着机器学习。
5.2 Inverse Reinforcement Learning
但是当机器模仿老师进行学习时，可能机器能力不够没法完全学习到老师的做法，如只学到了不重要的地方，重点没学到，可能就会导致严重的后果。这时就有了Inverse Reinforcement Learning，这个方法是让机器自己订Reward。
原来的Reinforcement Learning:
但是现在没有Reward，我们只有Expert，Inverse Reinforcement Learning要做的事是根据Expert去得到Reward Function。
怎么找出Reward Function?最基本的概率是老师的行为分数是最高的。我们要定义一个Reward Function，它去评估老师的Trajectory时要给比较高的分数，去评估Actor的Trajectory时会给比较低的分数，具体做法和GAN是类似的。
方法
- Reinforcement Learning是通过奖励机制进行训练的，其中Actor负责接收Env中的信息做出行动，Critic负责给Actor打分从而得到Loss Function，用其更新Actor的参数，让Actor的行为越来越正确。
- Imitation Learning中没有Critic，它是纯粹的从Env中接收信息，Actor做出判断反馈到Env中，循环往复，但是在training时，会给其一些老师做的示例，让其与示例越接近越好，一次达到训练的目的。
- Inverse Reinforcement Learning是从老师做的示例中学习，找到一个合适的Reward Function，再和Reinforcement Learning一样进行训练。
结论与展望
Reinforcement Learning的难点在于奖励机制的制定，Inverse Reinforcement Learning则正好可用来解决该问题，让机器自己找到合适的Reward Function，两者相辅相成。当面对无法设置奖励机制的问题时，便可用Imitation Learning，让机器根据老师的教学直接达到目的。Reinforcement Learning让机器的思维更接近人类，也一定程度的给予了机器自由想象的空间，是一门极具发展潜力的技术。