深度強化學習圖解 Grokking Deep Reinforcement Learning

第1章　深度強化學習導論 1

1.1　深度強化學習概念 2

1.1.1　深度強化學習：人工智能的機器學習法 2

1.1.2　深度強化學習著重創建電腦程序 5

1.1.3　智能體解決智能問題 6

1.1.4　智能體通過試錯提高性能 8

1.1.5　智能體從慣序性反饋中學習 9

1.1.6　智能體從評估性反饋中學習 10

1.1.7　智能體從抽樣性反饋中學習 10

1.1.8　智能體使用強大的非線性函數逼近 11

1.2　深度強化學習的過去、現在與未來 12

1.2.1　人工智能和深度強化學習的發展簡史 12

1.2.2　人工智能的寒冬 13

1.2.3　人工智能現狀 13

1.2.4　深度強化學習進展 14

1.2.5　未來的機遇 17

1.3　深度強化學習的適用性 18

1.3.1　利弊分析 18

1.3.2　深度強化學習之利 19

1.3.3　深度強化學習之弊 20

1.4　設定明確的雙向預期 21

1.4.1　本書的預期 21

1.4.2　本書的最佳使用方式 22

1.4.3　深度強化學習的開發環境 23

1.5　小結 24

第2章　強化學習數學基礎 27

2.1　強化學習組成 28

2.1.1　問題、智能體和環境的示例 30

2.1.2　智能體：決策者 31

2.1.3　環境：其餘一切 32

2.1.4　智能體與環境交互循環 37

2.2　MDP：環境的引擎 38

2.2.1　狀態：環境的特定配置 40

2.2.2　動作：影響環境的機制 43

2.2.3　轉換函數：智能體行為的後果 44

2.2.4　獎勵信號：胡蘿卜和棍棒 46

2.2.5　視界：時間改變最佳選擇 49

2.2.6　折扣：未來是不確定的，別太看重它 50

2.2.7　MDP擴展 51

2.2.8　總體回顧 53

2.3　小結 54

第3章　平衡短期目標與長期目標 57

3.1　決策智能體的目標 58

3.1.1　策略：各狀態動作指示  62

3.1.2　狀態.-.值函數：有何期望 63

3.1.3　動作-值函數：如果這樣做，有何期望 64

3.1.4　動作-優勢函數：如果這樣做，有何進步 65

3.1.5　最優性 66

3.2　規劃最優動作順序 67

3.2.1　策略評估：評級策略 67

3.2.2　策略改進：利用評級得以改善 73

3.2.3　策略迭代：完善改進後的行為 77

3.2.4　價值迭代：早期改進行為 81

3.3　小結 85

第4章　權衡信息收集和運用 87

4.1　解讀評估性反饋的挑戰 88

4.1.1　老虎機：單狀態決策問題 89

4.1.2　後悔值：探索的代價 90

4.1.3　解決MAB環境的方法 91

4.1.4　貪婪策略：總在利用 93

4.1.5　隨機策略：總在探索 95

4.1.6　ε.貪婪策略：通常貪婪，時而隨機 97

4.1.7　衰減.ε.貪婪策略：先最大化探索，後最大化利用 99

4.1.8　樂觀初始化策略：始於相信世界美好 101

4.2　策略型探索 105

4.2.1　柔性最大值策略：根據估計值按比隨機選擇動作 106

4.2.2　置信上界策略：現實樂觀，而非樂觀 108

4.2.3　湯普森抽樣策略：平衡回報與風險 110

4.3　小結 116

第5章　智能體行為評估 119

5.1　學習估計策略價值 120

5.1.1　首次訪問蒙特卡洛：每次迭代後，改善估計 123

5.1.2　蒙特卡洛每次訪問：處理狀態訪問的不同方法 125

5.1.3　時差學習：每步後改進估計 129

5.2　學習從多步進行估算  137

5.2.1　n.步TD學習：經過幾步後改進估計  138

5.2.2　前瞻TD(λ)：改進對所有訪問狀態的估計 141

5.2.3　TD(λ)：在每步之後改進對所有訪問狀態的估計 143

5.3　小結 151

第6章　智能體行為的優化 153

6.1　對智能體強化學習的解析 154

6.1.1　大多數智能體都要收集經驗樣本 156

6.1.2　大多數智能體都要評估 157

6.1.3　大多數智能體都要優化策略 159

6.1.4　廣義策略迭代 160

6.2　學習動作策略的優化 162

6.2.1　蒙特卡洛控制：在每一迭代後優化策略 163

6.2.2　SARSA：在每一步之後優化策略 169

6.3　從學習中分離動作 173

6.3.1　Q學習：學會最優動作，即使我們不選 173

6.3.2　雙Q學習：最大值估計值的最大估計值 177

6.4　小結 184

第7章　更有效、更高效地完成目標 187

7.1　學習使用魯棒性目標優化策略 188

7.1.1　SARSA(λ)：基於多階段評估，在每一階段後優化策略 189

7.1.2　Watkin的Q(λ)：再一次，從學習中分離行為 196

7.2　智能體的交互、學習、計劃 200

7.2.1　Dyna-Q：學習樣本模型 201

7.2.2　軌跡抽樣：為不久的將來做計劃 206

7.3　小結 219

第8章　基於價值的深度強化學習 221

8.1　深度強化學習智能體使用的反饋種類 222

8.1.1　深度強化學習智能體處理慣序性反饋 223

8.1.2　如果它不是慣序性反饋，那它是什麽 224

8.1.3　深度強化學習智能體處理評估性反饋 225

8.1.4　如果它不是評估性反饋，那它是什麽 226

8.1.5　深度強化學習智能體處理抽樣性反饋 226

8.1.6　如果它不是抽樣性反饋，那它是什麽 227

8.2　強化學習中的逼近函數 228

8.2.1　強化學習問題能夠擁有高維狀態和動作空間 229

8.2.2　強化學習問題可以具有連續的狀態和動作空間 229

8.2.3　使用函數逼近有很多優點 231

8.3　NFQ：對基於價值的深入強化學習的第一次嘗試 233

8.3.1　第1個決策點：選擇逼近一個值函數 234

8.3.2　第2個決策點：選擇神經網絡體系結構 235

8.3.4　第3個決策點：選擇要優化的內容 236

8.3.5　第4個決策點：為策略評估選擇目標 238

8.3.6　第5個決策點：選擇探索策略 241

8.3.7　第6個決策點：選擇損失函數 242

8.3.8　第7個決策點：選擇一種最優方法 243

8.3.9　可能出錯的事情 248

8.4　小結 250

第9章　更穩定的基於價值方法 253

9.1　DQN：使強化學習更像是監督學習 254

9.1.1　基於價值的深度強化學習的普遍問題 254

9.1.2　使用目標網絡 256

9.1.3　使用更大網絡 259

9.1.4　使用經驗回放 259

9.1.5　使用其他探索策略 263

9.2　雙重DQN：減少對動作-值函數的高估 269

9.2.1　高估問題 269

9.2.2　將動作選擇從動作評估剝離 270

9.2.3　一個解決方案 271

9.2.4　一個更實用的解決方案 272

9.2.5　一個更寬容的損失函數 275

9.2.6　仍可改進之處 280

9.3　小結 281

第10章　高效抽樣的基於價值學習方法 285

10.1　Dueling DDQN：具備強化學習意識的神經網絡架構 286

10.1.1　強化學習不屬於監督學習問題 286

10.1.2　基於價值的強化學習方法的微妙區別 287

10.1.3　利用優點的優勢 288

10.1.4　有意識強化學習框架 289

10.1.5　建立一個Dueling網絡架構 290

10.1.6　重構動作-值函數 291

10.1.7　連續更新目標網絡 293

10.1.8　Dueling網絡能為表格帶來什麽 294

10.2　PER：優先有意義經驗的回放 297

10.2.1　更明智的回放經驗方法 297

10.2.2　如何較好地衡量“重要”經驗 298

10.2.3　利用TD 誤差做出貪婪優先級操作 299

10.2.4　隨機對優先的經驗進行抽樣 300

10.2.5　成比例的優先級 301

10.2.6　基於排名的優先級 302

10.2.7　優先偏倚 303

10.3　小結 309

第11章　策略梯度與actor-critic方法 313

11.1　REINFORCE算法：基於結果策略學習 314

11.1.1　策略梯度法簡介 314

11.1.2　策略梯度法之優勢 315

11.1.3　直接學習策略 319

11.1.4　減少策略梯度方差 320

11.2　VPG：學習值函數 322

11.2.1　進一步減少策略梯度方差  323

11.2.2　學習值函數 323

11.2.3　鼓勵探索 324

11.3　A3C：平行策略更新  328

11.3.1　使用actor工作器  328

11.3.2　使用n-step估計  331

11.3.3　無障礙模型更新 334

11.4　GAE: 穩健優勢估計 335

11.5　A2C: 同步策略更新  338

11.5.1　權重分擔模型 338

11.5.2　恢復策略更新秩序 340

11.6　小結  346

第12章　高級actor-critic方法 349

12.1　DDPG: 逼近確定性策略 351

12.1.1　DDPG使用DQN中的許多技巧 351

12.1.2　學習確定性策略  353

12.1.3　用確定性策略進行探索  356

12.2　TD3：最先進的DDPG改進  358

12.2.1　DDPG中的雙重學習  358

12.2.2　平滑策略更新目標 360

12.2.3　延遲更新 363

12.3　SAC: 最大化預期收益和熵  365

12.3.1　在貝爾曼方程中添加熵 365

12.3.2　學習動作-值函數 366

12.3.3　學習策略 366

12.3.4　自動調整熵系數 367

12.4　PPO: 限制優化步驟  372

12.4.1　使用與A2C相同的actor-critic架構  372

12.4.2　分批處理經驗 373

12.4.3　剪裁策略更新  377

12.4.4　剪裁值函數更新  377

12.5　小結 382

第13章　邁向通用人工智能 385

13.1　已涵蓋的以及未特別提及的內容 386

13.1.1　馬爾可夫決策過程  387

13.1.2　規劃法 388

13.1.3　Bandit法 389

13.1.4　表格型強化學習 390

13.1.5　基於值函數的深度強化學習 391

13.1.6　基於策略的深度強化學習和actor-critic深度強化學習 392

13.1.7　高級actor-critic技術 392

13.1.8　基於模型的深度強化學習 393

13.1.9　無梯度優化方法 395

13.2　更多AGI高級概念 397

13.2.1　什麽是AGI 397

13.2.2　高級探索策略 399

13.2.3　逆強化學習 399

13.2.4　遷移學習 400

13.2.5　多任務學習 401

13.2.6　課程學習 401

13.2.7　元學習 402

13.2.8　分層強化學習 402

13.2.9　多智能體強化學習 402

13.2.10　可解釋AI、安全、公平和道德標準 403

13.3　接下來是什麽 404

13.3.1　如何用DRL解決特定問題 404

13.3.2　繼續前進 405

13.3.3　從現在開始，放下本書 406

13.4　小結 407