深度強化學習

序言 i
前言 v
常用符號 xi
第 一部分 基礎知識
第 1章 機器學習基礎 2
1.1 線性模型 2
1.1.1 線性回歸 2
1.1.2 邏輯斯諦回歸 4
1.1.3 softmax分類器 7
1.2 神經網(wǎng)絡 10
1.2.1 全連接神經網(wǎng)絡 10
1.2.2 卷積神經網(wǎng)絡 11
1.3 梯度下降和反向傳播 12
1.3.1 梯度下降 13
1.3.2 反向傳播 14
知識點小結 16
習題 16
第 2章 蒙特卡洛方法 18
2.1 隨機變量 18
2.2 蒙特卡洛方法實例 21
2.2.1 例一：近似π值 21
2.2.2 例二：估算陰影部分面積 23
2.2.3 例三：近似定積分 25
2.2.4 例四：近似期望 26
2.2.5 例五：隨機梯度 27
知識點小結 29
習題 29
第3章 強化學習基本概念 31
3.1 馬爾可夫決策過程 31
3.1.1 狀態(tài)、動作、獎勵 31
3.1.2 狀態(tài)轉移 32
3.2 策略 33
3.3 隨機性 35
3.4 回報與折扣回報 37
3.4.1 回報 37
3.4.2 折扣回報 37
3.4.3 回報中的隨機性 38
3.4.4 有限期MDP和無限期MDP 39
3.5 價值函數(shù) 39
3.5.1 動作價值函數(shù) 40
3.5.2 最優(yōu)動作價值函數(shù) 40
3.5.3 狀態(tài)價值函數(shù) 41
3.6 實驗環(huán)境：OpenAI Gym 42
知識點小結 44
習題 44
第二部分 價值學習
第4章 DQN與Q學習 48
4.1 DQN 48
4.1.1 概念回顧 48
4.1.2 DQN表達式 49
4.1.3 DQN的梯度 50
4.2 TD算法 50
4.2.1 駕車時間預測示例 50
4.2.2 TD算法的原理 51
4.3 用TD訓練DQN 53
4.3.1 算法推導 53
4.3.2 訓練流程 55
4.4 Q 學習算法 57
4.4.1 表格形式的Q學習 57
4.4.2 算法推導 57
4.4.3 訓練流程 58
4.5 同策略與異策略 59
相關文獻 60
知識點小結 61
習題 61
第5章 SARSA算法 63
5.1 表格形式的SARSA 63
5.1.1 算法推導 63
5.1.2 訓練流程 64
5.1.3 Q學習與SARSA的對比 65
5.2 神經網(wǎng)絡形式的SARSA 66
5.2.1 價值網(wǎng)絡 66
5.2.2 算法推導 66
5.2.3 訓練流程 67
5.3 多步TD目標 68
5.3.1 算法推導 68
5.3.2 多步TD目標的原理 69
5.3.3 訓練流程 70
5.4 蒙特卡洛方法與自舉 70
5.4.1 蒙特卡洛方法 71
5.4.2 自舉 71
5.4.3 蒙特卡洛方法和自舉的對比 72
相關文獻 73
知識點小結 73
習題 74
第6章 價值學習高級技巧 75
6.1 經驗回放 75
6.1.1 經驗回放的優(yōu)點 76
6.1.2 經驗回放的局限性 76
6.1.3 優(yōu)先經驗回放 77
6.2 高估問題及解決方法 79
6.2.1 自舉導致偏差傳播 79
6.2.2 最大化導致高估 80
6.2.3 高估的危害 81
6.2.4 使用目標網(wǎng)絡 82
6.2.5 雙Q學習算法 84
6.2.6 總結 85
6.3 對決網(wǎng)絡 86
6.3.1 最優(yōu)優(yōu)勢函數(shù) 86
6.3.2 對決網(wǎng)絡的結構 87
6.3.3 解決不唯一性 88
6.3.4 對決網(wǎng)絡的實際實現(xiàn) 89
6.4 噪聲網(wǎng)絡 90
6.4.1 噪聲網(wǎng)絡的原理 90
6.4.2 噪聲DQN 91
6.4.3 訓練流程 93
相關文獻 94
知識點小結 94
習題 94
第三部分 策略學習
第7章 策略梯度方法 98
7.1 策略網(wǎng)絡 98
7.2 策略學習的目標函數(shù) 99
7.3 策略梯度定理 101
7.3.1 簡化證明 101
7.3.2 嚴格證明 102
7.3.3 近似策略梯度 106
7.4 REINFORCE 107
7.4.1 簡化推導 108
7.4.2 訓練流程 108
7.4.3 嚴格推導 109
7.5 actor-critic 110
7.5.1 價值網(wǎng)絡 110
7.5.2 算法推導 111
7.5.3 訓練流程 114
7.5.4 用目標網(wǎng)絡改進訓練 114
相關文獻 115
知識點小結 115
習題 116
第8章 帶基線的策略梯度方法 117
8.1 策略梯度中的基線 117
8.1.1 基線的引入 117
8.1.2 基線的直觀解釋 118
8.2 帶基線的REINFORCE算法 119
8.2.1 策略網(wǎng)絡和價值網(wǎng)絡 120
8.2.2 算法推導 121
8.2.3 訓練流程 121
8.3 advantage actor-critic 122
8.3.1 算法推導 123
8.3.2 訓練流程 125
8.3.3 用目標網(wǎng)絡改進訓練 126
8.4 證明帶基線的策略梯度定理 127
知識點小結 128
習題 128
第9章 策略學習高級技巧 129
9.1 置信域策略優(yōu)化 129
9.1.1 置信域方法 129
9.1.2 策略學習的目標函數(shù) 132
9.1.3 算法推導 133
9.1.4 訓練流程 135
9.2 策略學習中的熵正則 135
相關文獻 138
知識點小結 138
第 10章 連續(xù)控制 139
10.1 連續(xù)空間的離散化 139
10.2 深度確定性策略梯度 140
10.2.1 策略網(wǎng)絡和價值網(wǎng)絡 140
10.2.2 算法推導 142
10.3 深入分析DDPG 145
10.3.1 從策略學習的角度看待DDPG 145
10.3.2 從價值學習的角度看待DDPG 146
10.3.3 DDPG的高估問題 147
10.4 雙延遲深度確定性策略梯度 148
10.4.1 高估問題的解決方案——目標網(wǎng)絡 148
10.4.2 高估問題的解決方案——截斷雙Q學習 148
10.4.3 其他改進點 149
10.4.4 訓練流程 150
10.5 隨機高斯策略 151
10.5.1 基本思路 152
10.5.2 隨機高斯策略網(wǎng)絡 153
10.5.3 策略梯度 154
10.5.4 用REINFORCE學習參數(shù) 155
10.5.5 用actor-critic學習參數(shù) 155
相關文獻 157
知識點小結 157
第 11章 對狀態(tài)的不完全觀測 158
11.1 不完全觀測問題 158
11.2 循環(huán)神經網(wǎng)絡 159
11.3 基于RNN的策略網(wǎng)絡 161
相關文獻 162
知識點小結 163
習題 163
第 12章 模仿學習 165
12.1 行為克隆 165
12.1.1 連續(xù)控制問題 165
12.1.2 離散控制問題 166
12.1.3 行為克隆與強化學習的對比 168
12.2 逆向強化學習 169
12.2.1 IRL的基本設定 169
12.2.2 IRL的基本思想 170
12.2.3 從黑箱策略反推獎勵 170
12.2.4 用獎勵函數(shù)訓練策略網(wǎng)絡 171
12.3 生成判別模仿學習 171
12.3.1 生成判別網(wǎng)絡 172
12.3.2 GAIL的生成器和判別器 175
12.3.3 GAIL的訓練 176
相關文獻 178
知識點小結 179
第四部分 多智能體強化學習
第 13章 并行計算 182
13.1 并行計算基礎 182
13.1.1 并行梯度下降 182
13.1.2 MapReduce 183
13.1.3 用 MapReduce實現(xiàn)并行梯度下降 184
13.1.4 并行計算的代價 187
13.2 同步與異步 188
13.2.1 同步算法 188
13.2.2 異步算法 189
13.2.3 同步梯度下降與異步梯度下降的對比 191
13.3 并行強化學習 191
13.3.1 異步并行雙Q學習 191
13.3.2 A3C：異步并行A2C 193
相關文獻 195
知識點小結 195
習題 196
第 14章 多智能體系統(tǒng) 197
14.1 常見設定 197
14.2 基本概念 199
14.2.1 專業(yè)術語 199
14.2.2 策略網(wǎng)絡 200
14.2.3 動作價值函數(shù) 200
14.2.4 狀態(tài)價值函數(shù) 201
14.3 實驗環(huán)境 202
14.3.1 multi-agent particle world 202
14.3.2 StarCraft multi-agent challenge 204
14.3.3 Hanabi Challenge 205
相關文獻 206
知識點小結 206
第 15章 完全合作關系設定下的多智能體強化學習 207
15.1 完全合作關系設定下的策略學習 208
15.2 完全合作關系設定下的多智能體A2C 209
15.2.1 策略網(wǎng)絡和價值網(wǎng)絡 209
15.2.2 訓練和決策 211
15.2.3 實現(xiàn)中的難點 212
15.3 三種架構 213
15.3.1 中心化訓練+中心化決策 214
15.3.2 去中心化訓練+去中心化決策 215
15.3.3 中心化訓練+去中心化決策 217
相關文獻 219
知識點小結 220
習題 220
第 16章 非合作關系設定下的多智能體強化學習 221
16.1 非合作關系設定下的策略學習 222
16.1.1 非合作關系設定下的目標函數(shù) 222
16.1.2 收斂的判別 223
16.1.3 評價策略的優(yōu)劣 223
16.2 非合作關系設定下的多智能體A2C 224
16.2.1 策略網(wǎng)絡和價值網(wǎng)絡 224
16.2.2 算法推導 225
16.2.3 訓練 226
16.2.4 決策 227
16.3 三種架構 227
16.3.1 中心化訓練+中心化決策 227
16.3.2 去中心化訓練+去中心化決策 228
16.3.3 中心化訓練+去中心化決策 229
16.4 連續(xù)控制與MADDPG 231
16.4.1 策略網(wǎng)絡和價值網(wǎng)絡 231
16.4.2 算法推導 232
16.4.3 中心化訓練 234
16.4.4 去中心化決策 236
相關文獻 237
知識點小結 237
第 17章 注意力機制與多智能體強化學習 238
17.1 自注意力機制 238
17.1.1 自注意力層 239
17.1.2 多頭自注意力層 241
17.2 自注意力改進多智能體強化學習 242
17.2.1 不使用自注意力的狀態(tài)價值網(wǎng)絡 242
17.2.2 使用自注意力的狀態(tài)價值網(wǎng)絡 243
17.2.3 使用自注意力的動作價值網(wǎng)絡 244
17.2.4 使用自注意力的中心化策略網(wǎng)絡 244
17.2.5 總結 245
相關文獻 245
知識點小結 245
習題 246
第五部分 應用與展望
第 18章 AlphaGo與蒙特卡洛樹搜索 248
18.1 強化學習眼中的圍棋 248
18.2 蒙特卡洛樹搜索 250
18.2.1 MCTS的基本思想 250
18.2.2 MCTS的四個步驟 250
18.2.3 MCTS的決策 255
18.3 訓練策略網(wǎng)絡和價值網(wǎng)絡 255
18.3.1 AlphaGo 2016版本的訓練 256
18.3.2 AlphaGo Zero版本的訓練 258
相關文獻 260
知識點小結 260
習題 261
第 19章 現(xiàn)實世界中的應用 262
19.1 神經網(wǎng)絡結構搜索 262
19.1.1 超參數(shù)和交叉驗證 262
19.1.2 強化學習方法 264
19.2 自動生成SQL語句 266
19.3 推薦系統(tǒng) 268
19.4 網(wǎng)約車調度 270
19.4.1 價值學習 271
19.4.2 派單機制 271
19.5 強化學習與監(jiān)督學習的對比 273
19.5.1 決策是否改變環(huán)境 273
19.5.2 當前獎勵還是長線回報 274
19.6 制約強化學習落地應用的因素 275
19.6.1 所需的樣本數(shù)量過大 275
19.6.2 探索階段代價太大 276
19.6.3 超參數(shù)的影響非常大 277
19.6.4 穩(wěn)定性極差 278
知識點小結 279
附錄A 貝爾曼方程 281
附錄B 習題答案 283
參考文獻 288