-
Notifications
You must be signed in to change notification settings - Fork 290
/
Copy pathshi-xu-cha-fen-xue-xi.md
261 lines (135 loc) · 17.6 KB
/
shi-xu-cha-fen-xue-xi.md
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
Temporal-difference \(TD\) learning可以说是增强学习的中心，它集成了蒙特卡洛思想和动态编程（dynamic programming, DP）思想，像蒙特卡洛方法一样，TD 方法不需要环境的动态模型，直接从经验经历中学习，像 DP 方法一样，TD 方法不需要等到最终的 outcome 才更新模型，它可以基于其他估计值来更新估计值。
## 1、TD Prediction {#1td-prediction}
TD 和 蒙特卡洛方法都使用经验来解决预测问题，给定服从规则π的一些经历，两种方法均可更新经历中的每一个非终止的状态St的vπ。粗略的说， Monte Carlo 方法要等到return知道之后才将其设为是V\(St\)的目标值，一个适合非固定环境的简单的 every-visit Monte Carlo 方法为：
$$V(S_t)=V(S_t)+\alpha[G_t-V(S_t]$$
其中$$G_t$$代表得是时间t之后的真实 return，alpha是固定的 step-size 参数，可以将这种方法称为是constant−αMC，Monte Carlo 方法必须等到 episode 结束之后才能决定$$V(S_t)$$的增量，与 Monte Carlo 方法不同的是 TD 方法只需等到下一个 time step 即可，即在时刻t+1，TD 方法立刻形成一个 target 并使用观测到的 reward Rt+1和估计的V\(St+1\)进行更新，最简单的 TD 方法称为是TD\(0\)，其更新方法为：
$$V(S_t)=V(S_t)+\alpha[R_{t+1}+\gamma V(S_{t+1})-V(S_t]$$
比较上面的式子可以看出，TD 方法与Monte Carlo 方法一样，都是基于已有的估计进行更新，因此 TD 方法也是一种bootstrapping方法，只不过Monte Carlo 更新的目标值为Gt，而 TD 更新的目标值为Rt+1+γV\(St+1\)，他们俩的关系其实可以从下面的式子来更好的理解：
粗略地说，Monte Carlo 方法使用的目标值是vπ\(s\)≐Eπ\[Gt\|St=s\]，而 DP 方法使用的是vπ\(s\)=Eπ\[Rt+1+γvπ\(St+1\)\|St=s\]，在 TD 方法中，由于vπ\(St+1\)是未知的，因此就用当前的估计值V\(St+1\)来代替，TD\(0\) 的伪代码如下所示：
TD\(0\) 的 backup diagram 如下图所示，它对最上面的节点的 value 评估值的更新基于的是从它到下一个 state 的一次样本转换，TD 和 Monte Carlo 更新可以称为是 sample back-ups，因为他们都涉及到采样的连续的状态或状态对，sample back-ups 与 DP 方法的 full backups 的不同在于，它利用的不是所有可能的转换的完全分布，而是一个单一的样本转换。
在 TD 学习中还有一个重要的概念叫 TD error，用δt表示，它表示的就是在该时刻估计得误差，在 TD\(0\) 中它指的就是Rt+1+γV\(St+1\)与V\(St\)的差，即在V\(St\)的误差：δt≐Rt+1+γV\(St+1\)−V\(St\)
Monte Carlo error 可以写作是一系列 TE errors 的和：
## 2、TD Prediction方法的优点 {#2td-prediction方法的优点}
相比于 DP 方法，TD 方法不需要环境的模型，相比于 Monte Carlo 方法，TD 方法可以采用在线的、完全增量式的实现方式，在 Monte Carlo 方法中，必须要等到 episode 结束有了 return 之后才能更新，在有些应用中 episodes 的时间很长，甚至有些应用环境是连续型任务，根本没有 episodes。而 TD 方法不需等到最终的真实的 return，并且 TD 方法可以保证收敛到vπ。
## 3、TD\(0\) 方法的最优性 {#3td0-方法的最优性}
假如经历或者经验的数量是有限的，如 10 个 episodes 或者 100 个 time steps，在这种情况下，增量式学习方法的通常做法是不断重复地利用这些经历直到收敛到确定的结果，即给定一个近似的 value 函数 V，在每个时间 t，只要访问的不是终止状态，就可以计算其增量，并在结束时更新一次函数 V，之后再重复处理，直到最后的 value 函数收敛，这种方法常常称为是 batch updating，因为更新是在训练数据的整个 batch 处理之后发生的，并且每遍历一次 batch 只更新一次。
在 batch updating 模式下，只要选择的 step-size 参数α足够小，TD\(0\) 一定会收敛到一个单一的结果，并且与 step-size 参数α无关。注意到在同样的条件下，constant-αMC 方法也会收敛到一个确定的值，但这个值与 TD\(0\) 的不同。
batch TD\(0\) 与 batch MC 的区别在于，batch MC 是得到在训练集上使得 mean-squared error 最小的估计值，而 batch TD\(0\) 获得的总是 Markov 过程的最大似然估计模型，我们知道一个 data 的最大似然估计是指在该估计值时生成当前 data 的概率最大，因此对于我们待估计的 Markov 过程，在当前已有的 episodes 下，其最大似然估计模型为：从状态i到状态j的转换概率的估计值就是所有观测到的从状态i转换到状态j占所有从状态i进行转换的经历的比例，从状态i到状态j的 reward 的评估值就是观测到的所有从状态i转换到状态j的rewards 的平均值。因此，只要模型正确则计算的 value function 一定是正确的，通常将这种估计称作是“确定性等价估计”（certainty-equivalence estimate），因为它相当于假定了基本过程的估计是确定而不是近似的。通常 batch TD\(0\) 会收敛到 certainty-equivalence estimate，因此在批模式下 TD\(0\) 的收敛速度比 Monte Carlo 方法快。虽然在某种意义上说 certainty-equivalence estimate 是一个优化的解，但常常无法直接计算求解，在状态空间很大的情况下，TD 方法是唯一可以近似求得近似的 certainty-equivalence estimate 的可行方法。
## 4、Sarsa: On-Policy TD Control {#4sarsa-on-policy-td-control}
同样有了 TD prediction 方法，下一步就是如何利用 prediction 方法来解决 control problem，在这里的 control problem 中，同样要考虑 exploration 和 exploitation 的权衡问题，与 MC 方法一样，TD control method 也包含 on-policy 和 off-policy，这一小节介绍的是 on-policy TD control method。
对于 on-policy 方法，第一步是要对当前的行为规则π估计所有状态s和行为a的qπ\(s,a\)，估计的方法与上面介绍的学习vπ的方法一样，每一个 episode 是由一系列 states 和 state-action 对组成的转换序列：
这里我们需要关注的是从一个 state-action pair 向另外一个 state-action pair 的转换过程，很容易知道，该评估值更新方程为：
Q\(St,At\)←Q\(St,At\)+α\[Rt+1+γQ\(St+1,At+1\)−Q\(St,At\)\]
每次从一个非终止状态St进行转换都会利用上面的更新方程来更新Q\(St,At\)，注意到该方程中一共包含了5个元素：\(St,At,Rt+1,St+1,At+1\)，因此将这种方法称为是Sarsa，其 backup 图为：
基于 Sarsa 方法，就可以得到 on-policy control algorithm，对所有 on-policy method，在持续的对行为规则π估计qπ的同时，也依据qπ采用贪婪的方式来修改行为规则π，Sarsa control algorithm 的一般形式为：
## 5、Q-learning：Off-Policy TD Control {#5q-learningoff-policy-td-control}
想必所有听说过 RL 的人都听过 Q-learning 的大名，与 Sarsa 不同的是，Q-learning 是一种 off-policy 的策略，其定义为：
Q\(St,At\)←Q\(St,At\)+α\[Rt+1+γmaxaQ\(St+1,a\)−Q\(St,At\)\]
在这种情形下，学习的 action-value 函数 Q 直接近似于与规则无关的优化 action-value 函数q∗，并且这个规则还决定了下一个 visit 和 update 的 state-action pairs，Q-learning 的伪代码如下：
其 backup diagram 如下所示，因为该规则更新的是一个 state-action 对，因此 backup 的顶端一定是一个 action node，并且该规则是在下个状态所有可能的 actions 中选择最大化的 action nodes，因此该图的最下面一定是所有的 action nodes，其中“maximum”是用一个跨越它们的弧线来表示的。
由于 Q-learning 并不关心服从的是什么 policy，而仅仅是采取最好的 Q-value，他学习的规则与实行的规则不同，因此这是一种 off-policy 学习算法
## 6、Expected Sarsa {#6expected-sarsa}
Expected Sarsa 与 Sarse、Q-learning 都有点相似之处，它的更新方程如下：
Q\(St,At\)←Q\(St,At\)+α\[Rt+1+γE\[Q\(St+1,At+1\)\|St+1\]−Q\(St,At\)\]
```
←Q\(St,At\)+α\[Rt+1+γ∑aπ\(a\|St+1\)Q\(St+1,a\)−Q\(St,At\)\]
```
Expected Sarsa 与 Q-learning 相比，Q-learning 是在下一个 state-action pairs 中选择最大化的，而 expected Sarsa 选用的是它们的平均值。给定下一个状态St+1，该算法的前进方向与 Sarsa 在 expectation 的前进方向相同，因此这种方法称为是 expected Sarsa。Expected Sarsa 比 Sarsa 要复杂，但因为它对At+1随机采样，因此可以消除方差，在给定相同数量的 experience 下，其性能要比 Sarsa 略好。其 backup diagram 如下所示：
## 7、Maximization Bias and Double Learning {#7maximization-bias-and-double-learning}
前面几节讨论的算法都含有对 target policies 最大化的内容，例如，在 Q-learning 中，target policy 是在当前 action values 中最大化的 greedy policy；在 Sarsa 中，常常采用的是ε-greedy 策略，其中也包含最大化的操作。这些算法，估计值中的最大值常常作为是最大值的估计，从而会带来一个显著的 positive bias，这个偏差就称为是 maximization bias。
为了避免 maximization bias，常采用的策略是 double learning。我们可以先考虑一下 maximization bias 产生的原因，假设在一个 bandit 问题中，它的原因就在于我们在决定最大化的 action 和在对它的 value 进行评估时采用的是相同的 samples / plays，因此，double learning 的思想是同时学习两个独立的估计，假设它们分别表示为Q1\(a\)和Q2\(a\)（a∈calA），估计值Q1\(a\)利用A∗=argmaxaQ1\(a\)来确定最大化的行为，估计值Q2\(a\)利用Q2\(A∗\)=Q2\(argmaxaQ1\(a\)\)来进行估计，由E\[Q2\(A∗\)\]=q\(A∗\)可知这是一个无偏估计，可以通过反转两个估计的角色来获得第二个无偏估计Q1\(argmaxaQ2\(a\)\)，从中可以看出即使我们学习的是两个评估值，但每次只会更新其中一个，虽然它需要两倍的内存，但每步中的计算量并没有增加。
double learning 的思想可以推广到 full MDPs 中，例如将 double learning 与 Q-learning 相结合就产生了 Double Q-learning，其更新方程为：
Q1\(St,At\)←Q1\(St,At\)+α\[Rt+1+γQ2\(St+1,argmaxaQ1\(St+1,a\)\)–Q1\(St,At\)\]
Double Q-learning 的伪代码如下：
---
时序差分学习\(Temporal-Difference Learning\)结合了动态规划和蒙特卡洛方法，是强化学习的核心思想。
蒙特卡洛的方法是模拟\(或者经历\)一段序列，在序列结束后，根据序列上各个状态的价值，来估计状态价值。
时序差分学习是模拟\(或者经历\)一段序列，每行动一步\(或者几步\)，根据新状态的价值，然后估计执行前的状态价值。
可以认为蒙特卡洛的方法是最大步数的时序差分学习。
DP，MC和TD的区别
DP：已知转移概率p\(s′,r\|s,a\)，Rt+1是精确算出来的，用的vπ\(st+1\)是当前的估计值。
MC：用多个episode的Gt?近似Gt
TD：Rt+1和vπ\(st+1\)用的都是当前的估计值
本章介绍的是时序差分学习的单步学习方法。多步学习方法在下一章介绍。主要方法包括：
策略状态价值vπ的时序差分学习方法\(单步\多步\)
策略行动价值qπ的on-policy时序差分学习方法: Sarsa\(单步\多步\)
策略行动价值qπ的off-policy时序差分学习方法: Q-learning\(单步\)
Double Q-learning\(单步\)
策略行动价值qπ的off-policy时序差分学习方法\(带importance sampling\): Sarsa\(多步\)
策略行动价值qπ的off-policy时序差分学习方法\(不带importance sampling\): Tree Backup Algorithm\(多步\)
策略行动价值qπ的off-policy时序差分学习方法:Q\(σ\)\(多步\)
## 策略状态价值vπ的时序差分学习方法\(单步\多步\)
单步时序差分学习方法
该算法就通过当前状态的估计与未来估计之间差值来更新状态价值函数的。即R+γV\(S′\)?V\(S\)
相比DP，TD不需要知道p\(s′,r\|s,a\)，Rt+1;相比MC，TD不需要等到序列结束才更新状态值函数，另外MC趋向于拟合样本值，会表现出类似过拟合的性质，TD在估值前会对潜在的Markov过程建模，然后基于该模型估值。例如下面的例子：
## 多步时序差分学习方法
单步的报酬为：G\(1\)t=Rt+1+γVt\(St+1\)
其中Vt在这里是在时刻t对vπ的估计，而γVt\(St+1\)表示对后面时刻的估计，即γRt+2+γ2Rt+3+?+γT?t?1RT，由此可以得到n步的报酬：
G\(n\)t=Rt+1+γRt+2+?+γn?1Rt+n+γnVt+n?1\(St+n\),n≥1,0≤t
则更新公式为：
Vt+n\(St\)=Vt+n?1\(St\)+α\[G\(n\)t?Vt+n?1\(St\)\]
n-step TD就是利用值函数Vt+n?1来不断估计不可知的报酬Rt+n，则整体框架如下：
## 策略行动价值qπ的on-policy\(即同策略\)时序差分学习方法: Sarsa\(单步\多步\)
单步：
Sarsa在选取动作和更新动作状态值函数时都时利用加探索的形式\(??greedy\)
多步：
类似n-step TD，报酬的形式只是从状态值函数改为了动作状态值函数：
G\(n\)t=Rt+1+γRt+2+?+γn?1Rt+n+γnQt+n?1\(St+n,At+n\),n≥1,0≤t
则更新形式为：
Qt+n\(St,At\)=Qt+n?1\(St,At\)+α\[G\(n\)t?Qt+n?1\(St,At\)\],0≤t
整体框架为：
## 策略行动价值qπ的off-policy时序差分学习方法: Q-learning\(单步\)
Q-learning 算法可进行off-policy学习。
Q\(St,At\)←Q\(St,At\)+α\[Rt+1+γmaxaQ\(St+1,a\)?Q\(St,At\)\]
Q-learning在更新动作状态值函数时只有利用，没有探索，更适用于完全贪婪的动作挑选。
Q-learning使用了max，会引起一个最大化偏差\(Maximization Bias\)问题。可以用Double Q-Learning来解决。
例如图中从A出发，向右可以直接到达终点，而向B运动，报酬均值为-0.1，则有可能存在大于0的报酬，这样会使得算法采取向B运动的结果，期望获得大于0的报酬，而这不是最佳策略。
Double Q-learning
挑选动作的策略，既可来自于Q1和Q2的组合，例如求和或者均值，又可只来自于Q1或Q2。
## 策略行动价值qπ的off-policy时序差分学习方法\(带importance sampling\): Sarsa\(多步\)
考虑到重要样本，把ρ带入到Sarsa算法中，形成一个off-policy的方法。
ρ- 重要样本比率\(importance sampling ratio\)
ρ←∏i=τ+1min\(τ+n?1,T?1\)π\(At\|St\)μ\(At\|St\)\(ρ\(τ+1\)τ+n\)
## 策略行动价值qπ的off-policy时序差分学习方法\(不带importance sampling\): Tree Backup Algorithm\(多步\)
Tree Backup Algorithm的思想是每步都求行动价值的期望值.
更新公式与n-step Sarsa相同：
Qt+n\(St,At\)=Qt+n?1\(St,At\)+α\[G\(n\)t?Qt+n?1\(St,At\)\],0≤t
则整体程序框架为：
策略行动价值qπ的off-policy时序差分学习方法:Q\(σ\)\(多步\)
Q\(σ\)结合了Sarsa\(importance sampling\), Expected Sarsa, Tree Backup算法，并考虑了重要样本。
当σ=1时，使用了重要样本的Sarsa算法。
当σ=0时，使用了Tree Backup的行动期望值算法。
