本文作者 张玉宏
博士毕业于电子科技大学，美国西北大学访问学者，现执教于河南工业大学。中国计算机协会（CCF）会员，CCF YOCSEF郑州2018—2019年度副主席，ACM/IEEE会员。《品味大数据》一书作者。主要研究方向为大数据、人工智能、技术哲学。发表学术论文20余篇，国内外学术作品7部。阿里云云栖社区专栏作家，博文累计阅读逾百万次。
强化学习的背景
在上一篇文章中（阅读请扫描下方二维码），我们感性地认知了机器学习的三大门派：监督学习、非监督学习、半监督学习。在传统的机器学习分类中，并没有包含强化学习。但实际上，在连接主义学习中，还有一类人类学习常用、机器学习也常用的算法—强化学习（Reinforcement Learning，简称RL）。
《“机器学习”三重门 “中庸之道”趋若人 》
机器学习的本质，在于改善机器的“智能”水平。那我们就要问了：什么是智能？关于智能的定义有很多，正所谓“仁者见仁，智者见智”。
比如说，中国另一位先哲孟子说:“是非之心，智也。”孟子认为，能分辨是非得失，就是有智能的表现。而这里的“是非”之别，在西方可用莎士比亚的名句“to be or not to be”来概括。
在智能的世界里，它既包含了逻辑，同时也包含了大量的非逻辑成分，比如说模糊、直觉、非公理等因素。
哈弗大学罗兰科学研究所（Rowland Institute for Science）教授威尔逊（Stewart Willson）对此也有自己独到的见解。他认为，关于对智能的认识，我们应当向大自然学习。
在大自然中，智能的表现与生物体对生存的需求紧密相关。正是生存的压力和动力，不断划清自然界中的不同问题，并逐步习得解决这些问题的能力，从而使得生物表现出多样性，进而也表现出不同层面的智能。
其实，威尔逊教授的核心观点说的是，从环境中交互获得智能。而“强化学习”就是一种从环境交互中改善自己性能的机器学习方式。
什么是强化学习
强化学习也是机器学习里面非常重要的一个流派。“强化学习”亦称“增强学习”，但它与监督学习和非监督学习都有所不同。强化学习强调的是，在一系列的情景之下选择最佳决策，它讲究通过多步恰当的决策来逼近一个最优的目标，因此它是一种序列多步决策的问题。
强化学习的设计灵感，源于心理学中的行为主义理论：有机体如何在环境给予的奖励或惩罚刺激下，逐步形成对刺激的预期，从而产生能获得最大利益的习惯性行为。
上面的论述看起来比较抽象，下面我们举一个生活中的例子来说明这个概念。对于儿童教育，有句话非常流行：“好孩子是表扬出来的”。
这句话很有道理，它反映了生物体以奖励为动机的行为。比如，我们知道，让一个小孩子静下来学习，这是十分困难的。但如果父母在他每复习完一篇课文时就说一句“你真棒”并奖励他一块巧克力，那么他就会明白，只有不断学习才能获得奖励，从而也就更有劲头学习了。
“表扬”本身并不等同于监督学习的“教师信号”（即告诉你行为的正误），却也能逐步引导任务向最优解决方案进发。因此，强化学习也被认为是人类学习的主要模式之一。监督学习、强化学习与非监督学习的区别，如下图所示。
监督学习、强化学习与非监督学习的区别
一个形象的例子
恰如其分地拿捏尺度，显然是智能的外在表现之一。“过犹不及”说得就是这个道理。那么，强化学习是如何让智能体从环境中学习，找到这个“尺度”的呢？下面我们举例来感性认知一下，人类是怎么从环境中学习的。
感性认知强化学习
如上图所示假设，我们还是一个懵懂的孩子，对于一些新事物一无所知。有一天，我们第一次看到了火，然后就爬到了火堆的旁边。在靠近火的过程中，感受到了火的温暖，觉得好舒服啊。这时环境给我们的回报为“ 1”分。于是，我们接着爬向火堆，越靠越近，然后伸手尝试摸火，发现好烫啊，这时环境给我们的回报为“-10”分，这是要警告我们需要赶紧把手缩回来，滚远一点，否则小手就变成“烤猪蹄”了。
这样一来二去，我们从“环境”中习得一项智能：距离稍远，火是好东西。靠得太近，火就不是好东西！
这就是人类的学习方式，与环境交互，增强智能。其实，强化学习在理念上和这个例子是一致的，不同的是，主角变成了计算机（智能体）。
经典的“西瓜”
在雅称为“西瓜书”的《机器学习》一书中，南京大学的周志华教授就用种西瓜的例子来说明“强化学习”的含义，也别有意义。
考虑一下种西瓜的场景。西瓜从播种到瓜熟蒂落，中间要经过很多步骤。首先得选种，然后播种、定期浇水、施肥、除草、杀虫等，最后收获西瓜。这个过程要经过好几个月。如果把收获高品质的西瓜作为辛勤劳作奖赏的话，那么在种瓜过程中实施某个操作（如浇水、施肥等）时，我们并不能立即得到相应的回报，甚至也难以判断当前操作对最终回报（收获西瓜）有什么影响，因为浇水或施肥并不是越多越好。
然而，即使我们一下子还不能看到辛勤劳作的最终成果，但还是能得到某些操作的部分反馈。例如，瓜秧是否更加茁壮了？通过多次的种瓜经历，我们终于掌握了播种、浇水、施肥等一系列工序的技巧（相当于参数训练），并最终能够收获高品质的西瓜。如果把这个种瓜的过程抽象出来，它就是我们说到的强化学习，如下图所示。
强化学习示意图
在机器学习问题中，环境通常被规范为一个马可夫决策过程（Markov Decision Processes，MDP），许多强化学习算法就是在这种情况下使用动态规划技巧。
强化学习输出的就是一个由状态、奖励和行动组成的序列。而智能体的目标，就是让预期累积回报最大化。
强化学习“强”在哪里
强化学习并不需要出现正确的“输入/输出对”，也不需要精确校正次优化的行为。深度学习“妙”在不需要做特征工程，而强化学习则“强”在不需要准备大量的训练样本，它重视的是环境给予的反馈。
强化学习更好地体现了人们（高智能动物）的为人处世原则：“这世间，没有对错（非黑即白）之分，只有利害之度量”。
强化学习更专注于在线规划，需要在“探索”（在未知的领域）和“利用”（现有知识）之间找到平衡。强化学习中的“探索-利用”的交换，这在多臂老虎机问题和有限MDP中研究得较多。
与强化学习相关的一则报道是，2017年10月，Google深度思维团队在著名学术期刊Nature（自然）上发表了一篇论文“Mastering the game of Go without humanknowledge（无须人类知识，精通围棋博弈），他们设计了AlphaGo（阿法狗）的升级版AlphaGo Zero（阿法元），阿法元从零开始，不需要人类任何历史围棋棋谱做指导，完全靠强化学习来参悟，自学成才，并以100∶0击败了阿法狗。
论文的第一作者、AlphaGo创始人之一大卫·席尔瓦（David Silver）指出：“阿法元远比阿法狗强大，因为它不再被人类的知识所局限，而是能够发现新知识，发现新策略。”这确实是机器学习进步的一个重要标志！
————
本文节选自博文视点新书《深度学习之美：AI时代的数据处理与最佳实践》，本书深入浅出地介绍了深度学习的相关理论和实践，零入门 | 高可读| 重实战 | 抓前沿！是一本准受用的深度学习入门教程，集各项前沿技术之大成！没赶上上次的新鲜胶囊，千万不可再次错过阅读原文为你开启的任意门，帮你建设四化、学有所强。
- 内容简介：深度学习是人工智能的前沿技术。本书深入浅出地介绍了深度学习的相关理论和实践，全书共分16章，采用理论和实践双主线写作方式。第1章给出深度学习的大图。第2章和第3章，讲解了机器学习的相关基础理论。第4章和第5章，讲解了Python基础和基于Python的机器学习实战。第6至10章，先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。第11章讲解了被广泛认可的深度学习框架TensorFlow。第12章和第13章详细讲解了卷积神经网络，并给出了相关的实战项目。第14章和第15章，分别讲解了循环递归网络和长短期记忆（LSTM）网络。第16章讲解了神经胶囊网络，并给出了神经胶囊网络设计的详细论述和实践案例分析。
