概述
强化学习（Reinforcement Learning）与监督学习的区别：
- 训练数据中没有标签，只有奖励函数（Reward Function）。
- 训练数据不是现成给定，而是由行为（Action）获得。
- 现在的行为（Action）不仅影响后续训练数据的获得，也影响奖励函数（Reward Function）的取值。
- 训练的目的是构建一个“状态->行为”的函数，其中状态（State）描述了目前内部和外部的环境，在此情况下，要使一个智能体（Agent）在某个特定的状态下，通过这个函数，决定此时应该采取的行为。希望采取这些行为后，最终获得最大的奖励函数值。
监督学习目的是构建数据到标签的映射，强化学习目的是构建状态到行为的函数。
一些定义
- Rt：t时刻的奖励函数值
- St：t时刻的状态
- At：t时刻的行为
在这里，我们假设状态数有限，行为数有限。
- 举例来说，St表示，在t时刻棋盘上黑子和白子的分布，以及你是执黑还是执白，下一步该你走还是不该你走等。
- At表示，在t时刻根据St，把一颗子走到了我想走的位置上。
- Rt在围棋中比较特殊，一直都是0，直到分出胜负，赢了为1，输了为0。
一些假设
马尔科夫假设：t 1时刻的状态只和t时刻有关，跟t以前没有关系，在棋类游戏中很明显。
对于下棋来说，s0是空白的棋盘，p(s0)是初始状态的概率分布。
马尔科夫决策过程
Markov Decision Process
待优化目标函数
增强学习中的待优化目标函数是累积奖励，即一段时间内的奖励函数加权平均值：
在这里，GAMMA是一个衰减项。
增强学习中已经知道的的函数是：
需要学习的函数是：
要学习的函数：π(s, a) = p(a|s)，s的条件下是a的概率，学会了这个函数，整个过程就会变得自动，st=>at=>st 1=>at 1=> ...
π是由s到a的映射。
估值函数和Q函数
根据一个决策机制（Policy），我们可以获得一条路径：
定义1：估值函数（Value Function）是衡量某个状态最终能获得多少累积奖励的函数:
定义2：Q函数是衡量某个状态下采取某个行为后，最终能获得多少累积奖励的函数：
AlphaGo关键的一点在于估值函数，可以直接根据当前棋盘的状态，预言最终输赢的概率。
估值函数和人们常说的，“你这盘棋输定了”，或者“输的概率很大”，差不多。
估值函数和Q函数的关系：
为了更加了解方程中期望的具体形式，可以见下图。
第一层的空心圆代表当前状态（state），向下连接的实心圆代表当前状态可以执行两个动作，第三层代表执行完某个动作后可能到达的状态 s’。
根据上图得出状态价值函数公式：
我们将概率和转换为期望，上式等价于：
求最佳策略的迭代算法
定住V算π，然后定住π算V，不断循环，最后结果会收敛。
能让Q(S, a)最大的a，设置π(S, a)为1，其他情况都设为0。
道理是，通过s获得a，一定有最佳策略，比如，下棋的每一步一定有最正确的下法，让最正确的取1，其他地方取0。
这一算法的劣势：
- 对于状态数和行为数很多时，这种做法不现实。
例如：对一个ATARI游戏，状态数是相邻几帧所有像素的取值组合，这是一个天文数字！（ACTION数量从6到20不等）
Deep Q-Network (DQN)
定义
在s和a确定的情况下，π的最佳策略，导致的Q*。
则有 Bellman Equation:
后面式子是s’确定情况下，遍历所有a’，找到使Q*(s’, a’)最大；在前面再对s’做平均
DQN基本思路：用深度神经网络来模拟Q*(s, a)
θ就是网络里所有的参数
一个打飞机的Atari游戏的DQN设置：
Volodymyr Mnih et al. human-level control through deep reinforcement learning, Nature, 2015.
DQN算法流程：
随机行为的原因是，有些时候会陷入局部极值。比如一个金币后面有一个洞，所以让它不断尝试。
ε-贪心算法：以很小的概率去尝试，以更大的概率取最大值。和理财很像，小部分钱买高风险产品，大部分钱买稳定收益产品。
Q-learning的劣势
- 在一些应用中，状态数或行为数很多时，会使Q函数非常复杂，难以收敛。例如图像方面的应用，状态数是(像素值取值范围数)^(像素个数)。这样的方法，对图像和任务没有理解，单纯通过大数据来获得收敛。
- 很多程序，如下棋程序等，REWARD是最后获得（输或赢），不需要对每一个中间步骤都计算REWARD.
Policy Gradient
如果获得好的回报就奖励，如果获得差的结果就惩罚。
问题是，如果两个高手下棋，仅仅下错一步，就能说所有的步骤都是错的吗？
V(s)可以作为预期值，比如巴萨和一个弱队比分是1:0，能说它踢得好吗？所以要把它的表现减去预期值。
Actor-Critic算法
Actor 基于概率选行为，Critic 基于 Actor 的行为评判行为的得分， Actor 根据 Critic 的评分修改选行为的概率。
- Actor（玩家）：为了玩转这个游戏得到尽量高的reward，需要一个策略：输入state，输出action，即上面的第2步。（可以用神经网络来近似这个函数。剩下的任务就是如何训练神经网络，得更高的reward。这个网络就被称为actor）
- Critic（评委）：因为actor是基于策略policy的，所以需要critic来计算出对应actor的value，来反馈给actor，告诉他表现得好不好。所以就要使用到之前的Q值。（当然这个Q-function所以也可以用神经网络来近似。这个网络被称为critic。)
总结
- 目前强化学习的发展状况：在一些特定的任务上达到人的水平或胜过人，但在一些相对复杂的任务上，例如自动驾驶等，和人存在差距。
- 和真人的差距，可能不完全归咎于算法，传感器、机械的物理限制等，也是决定性因素。
- 机器和人的另一差距是：人有一些基本的概念，依据这些概念，人能只需要很少的训练就能学会很多，但机器只有通过大规模数据，才能学会。
- 但是，机器速度快，机器永不疲倦，只要有源源不断的数据，在特定的任务上，机器做得比人好，是可以期待的。
