深度強(qiáng)化學(xué)習(xí)實戰(zhàn)

第 一部分　基礎(chǔ)篇

第 1章 什么是強(qiáng)化學(xué)習(xí) 3

1.1 深度強(qiáng)化學(xué)習(xí)中的“深度” 4

1.2 強(qiáng)化學(xué)習(xí) 5

1.3 動態(tài)規(guī)劃與蒙特卡洛 7

1.4 強(qiáng)化學(xué)習(xí)框架 9

1.5 強(qiáng)化學(xué)習(xí)可以做什么 12

1.6 為什么是深度強(qiáng)化學(xué)習(xí) 14

1.7 教學(xué)工具：線圖 15

1.8 后續(xù)內(nèi)容概述 17

小結(jié) 18

第 2章 強(qiáng)化學(xué)習(xí)問題建模： 馬爾可夫決策過程 19

2.1 線圖與本書的教學(xué)方法 19

2.2 解決多臂老虎機(jī)問題 22

2.2.1 探索與利用 23

2.2.2 貪婪策略 24

2.2.3 Softmax選擇策略 29

2.3 應(yīng)用老虎機(jī)算法優(yōu)化廣告投放 31

2.3.1 上下文老虎機(jī) 31

2.3.2 狀態(tài)、動作和獎勵 32

2.4 利用PyTorch構(gòu)建網(wǎng)絡(luò) 33

2.4.1 自動微分 33

2.4.2 構(gòu)建模型 34

2.5 解決上下文老虎機(jī)問題 35

2.6 馬爾可夫性質(zhì) 39

2.7 預(yù)測未來獎勵：價值和策略函數(shù) 41

2.7.1 策略函數(shù) 42

2.7.2 最優(yōu)策略 43

2.7.3 價值函數(shù) 43

小結(jié) 44

第3章 預(yù)測最佳狀態(tài)和動作： 深度Q網(wǎng)絡(luò) 46

3.1 Q函數(shù) 46

3.2 Q-learning導(dǎo)航 47

3.2.1 Q-learning是什么 48

3.2.2 應(yīng)用于Gridworld游戲 49

3.2.3 超參數(shù) 50

3.2.4 貼現(xiàn)因子 50

3.2.5 構(gòu)建網(wǎng)絡(luò) 52

3.2.6 介紹Gridworld游戲引擎 53

3.2.7 構(gòu)建Q函數(shù)的神經(jīng)網(wǎng)絡(luò) 55

3.3 防止災(zāi)難性遺忘：經(jīng)驗回放 64

3.3.1 災(zāi)難性遺忘 64

3.3.2 經(jīng)驗回放 65

3.4 利用目標(biāo)網(wǎng)絡(luò)提高穩(wěn)定性 69

學(xué)習(xí)的不穩(wěn)定性 70

3.5 回顧 74

小結(jié) 76

第4章 學(xué)習(xí)選擇最佳策略：策略梯度法 77

4.1 使用神經(jīng)網(wǎng)絡(luò)的策略函數(shù) 77

4.1.1 神經(jīng)網(wǎng)絡(luò)作為策略函數(shù) 78

4.1.2 隨機(jī)策略梯度 78

4.1.3 探索 80

4.2 強(qiáng)化良好動作：策略梯度算法 81

4.2.1 定義目標(biāo) 81

4.2.2 強(qiáng)化動作 82

4.2.3 對數(shù)概率 84

4.2.4 信用分配 84

4.3 與OpenAI Gym配合 85

4.3.1 CartPole 87

4.3.2 OpenAI Gym API 87

4.4 REINFORCE算法 88

4.4.1 創(chuàng)建策略網(wǎng)絡(luò) 88

4.4.2 使智能體與環(huán)境交互 89

4.4.3 訓(xùn)練模型 89

4.4.4 完整訓(xùn)練循環(huán) 91

4.4.5 所得到的結(jié)論 93

小結(jié) 93

第5章 利用演員-評論家算法 解決更復(fù)雜的問題 94

5.1 重構(gòu)價值-策略函數(shù) 95

5.2 分布式訓(xùn)練 99

5.3 演員-評論家優(yōu)勢算法 104

5.4 N-step演員-評論家算法 112

小結(jié) 116

第二部分 進(jìn)階篇

第6章 可替代的優(yōu)化方法： 進(jìn)化算法 119

6.1 另一種強(qiáng)化學(xué)習(xí)方法 119

6.2 具有進(jìn)化策略的強(qiáng)化學(xué)習(xí) 121

6.2.1 進(jìn)化理論 121

6.2.2 進(jìn)化實踐 123

6.3 CartPole的遺傳算法 128

6.4 進(jìn)化算法的優(yōu)缺點 134

6.4.1 進(jìn)化算法探索更多 134

6.4.2 進(jìn)化算法令人難以置信的樣本密集性 134

6.4.3 模擬器 135

6.5 進(jìn)化算法作為一種可擴(kuò)展的替代方案 135

6.5.1 擴(kuò)展的進(jìn)化算法 135

6.5.2 并行與串行處理 137

6.5.3 擴(kuò)展效率 138

6.5.4 節(jié)點間通信 138

6.5.5 線性擴(kuò)展 140

6.5.6 擴(kuò)展基于梯度的算法 140

小結(jié) 141

第7章 Dist-DQN：獲取完整故事 142

7.1 Q-learning存在的問題 143

7.2 再論概率統(tǒng)計 147

7.2.1 先驗和后驗 148

7.2.2 期望和方差 149

7.3 貝爾曼方程 153

分布式貝爾曼方程 153

7.4 分布式Q-learning 154

7.4.1 使用Python表示概率分布 154

7.4.2 實現(xiàn)Dist-DQN 162

7.5 比較概率分布 164

7.6 模擬數(shù)據(jù)上的Dist-DQN 167

7.7 使用分布式Q-learning玩Freeway 172

小結(jié) 177

第8章 好奇心驅(qū)動的 探索 178

8.1 利用預(yù)測編碼處理稀疏獎勵 179

8.2 反向動態(tài)預(yù)測 182

8.3 搭建《超級馬里奧兄弟》環(huán)境 184

8.4 預(yù)處理和Q網(wǎng)絡(luò) 186

8.5 創(chuàng)建Q網(wǎng)絡(luò)和策略函數(shù) 188

8.6 內(nèi)在好奇心模塊 191

8.7 可替代的內(nèi)在獎勵機(jī)制 203

小結(jié) 205

第9章 多智能體強(qiáng)化 學(xué)習(xí) 206

9.1 從單個到多個智能體 206

9.2 鄰域Q-learning 210

9.3 一維伊辛模型 213

9.4 平均場Q-learning和二維伊辛模型 221

9.5 混合合作競技游戲 230

小結(jié) 239

第 10章 強(qiáng)化學(xué)習(xí)可解釋性： 注意力和關(guān)系 模型 241

10.1 帶注意力和關(guān)系偏差的 機(jī)器學(xué)習(xí)可解釋性 242

不變性和等變性 243

10.2 利用注意力進(jìn)行關(guān)系 推理 244

10.2.1 注意力模型 245

10.2.2 關(guān)系推理 246

10.2.3 自注意力模型 251

10.3 對MNIST實現(xiàn) 自注意力 253

10.3.1 轉(zhuǎn)換的MNIST 254

10.3.2 關(guān)系模塊 255

10.3.3 張量縮并和愛因斯坦 標(biāo)記法 258

10.3.4 訓(xùn)練關(guān)系模塊 261

10.4 多頭注意力和 關(guān)系DQN 264

10.5 雙Q-learning 270

10.6 訓(xùn)練和注意力 可視化 271

10.6.1 最大熵學(xué)習(xí) 275

10.6.2 課程學(xué)習(xí) 275

10.6.3 可視化注意力權(quán)重 276

小結(jié) 278

第 11章 總結(jié)：回顧和 路線圖 280

11.1 我們學(xué)到了什么 280

11.2 深度強(qiáng)化學(xué)習(xí)中的 未知課題 282

11.2.1 優(yōu)先經(jīng)驗回放 282

11.2.2 近端策略優(yōu)化 282

11.2.3 分層強(qiáng)化學(xué)習(xí)和 options框架 283

11.2.4 基于模型的規(guī)劃 283

11.2.5 蒙特卡洛樹搜索 284

全書結(jié)語 284

附錄A 數(shù)學(xué)、深度學(xué)習(xí)和

PyTorch 285

A.1 線性代數(shù) 285

A.2 微積分 287

A.3 深度學(xué)習(xí) 290

A.4 PyTorch 291

參考資料 295