深度強化學習

序言 i
前言 v
常用符號 xi

第一部分 基礎知識
第1章 機器學習基礎 2
1.1 線性模型 2
1.1.1 線性回歸 2
1.1.2 邏輯斯諦回歸 4
1.1.3 softmax分類器 7
1.2 神經網路 10
1.2.1 全連接神經網路 10
1.2.2 卷積神經網路 11
1.3 梯度下降和反向傳播 12
1.3.1 梯度下降 13
1.3.2 反向傳播 14
知識點小結 16
習題 16
第2章 蒙特卡洛方法 18
2.1 隨機變數 18
2.2 蒙特卡洛方法實例 21
2.2.1 例一：近似π值 21
2.2.2 例二：估算陰影部分面積 23
2.2.3 例三：近似定積分 25
2.2.4 例四：近似期望 26
2.2.5 例五：隨機梯度 27
知識點小結 29
習題 29
第3章 強化學習基本概念 31
3.1 瑪律可夫決策過程 31
3.1.1 狀態、動作、獎勵 31
3.1.2 狀態轉移 32
3.2 策略 33
3.3 隨機性 35
3.4 回報與折扣回報 37
3.4.1 回報 37
3.4.2 折扣回報 37
3.4.3 回報中的隨機性 38
3.4.4 有限期MDP和無限期MDP 39
3.5 價值函數 39
3.5.1 動作價值函數 40
3.5.2 最優動作價值函數 40
3.5.3 狀態價值函數 41
3.6 實驗環境：OpenAI Gym 42
知識點小結 44
習題 44

第二部分 價值學習
第4章 DQN與Q學習 48
4.1 DQN 48
4.1.1 概念回顧 48
4.1.2 DQN運算式 49
4.1.3 DQN的梯度 50
4.2 TD演算法 50
4.2.1 駕車時間預測示例 50
4.2.2 TD演算法的原理 51
4.3 用TD訓練DQN 53
4.3.1 演算法推導 53
4.3.2 訓練流程 55
4.4 Q 學習演算法 57
4.4.1 表格形式的Q學習 57
4.4.2 演算法推導 57
4.4.3 訓練流程 58
4.5 同策略與異策略 59
相關文獻 60
知識點小結 61
習題 61
第5章 SARSA演算法 63
5.1 表格形式的SARSA 63
5.1.1 演算法推導 63
5.1.2 訓練流程 64
5.1.3 Q學習與SARSA的對比 65
5.2 神經網路形式的SARSA 66
5.2.1 價值網路 66
5.2.2 演算法推導 66
5.2.3 訓練流程 67
5.3 多步TD目標 68
5.3.1 演算法推導 68
5.3.2 多步TD目標的原理 69
5.3.3 訓練流程 70
5.4 蒙特卡洛方法與自舉 70
5.4.1 蒙特卡洛方法 71
5.4.2 自舉 71
5.4.3 蒙特卡洛方法和自舉的對比 72
相關文獻 73
知識點小結 73
習題 74
第6章 價值學習高級技巧 75
6.1 經驗重播 75
6.1.1 經驗重播的優點 76
6.1.2 經驗重播的局限性 76
6.1.3 優先經驗重播 77
6.2 高估問題及解決方法 79
6.2.1 自舉導致偏差傳播 79
6.2.2 最大化導致高估 80
6.2.3 高估的危害 81
6.2.4 使用目標網路 82
6.2.5 雙Q學習演算法 84
6.2.6 總結 85
6.3 對決網路 86
6.3.1 最優優勢函數 86
6.3.2 對決網路的結構 87
6.3.3 解決不唯一性 88
6.3.4 對決網路的實際實現 89
6.4 雜訊網路 90
6.4.1 雜訊網路的原理 90
6.4.2 雜訊DQN 91
6.4.3 訓練流程 93
相關文獻 94
知識點小結 94
習題 94

第三部分 策略學習
第7章 策略梯度方法 98
7.1 策略網路 98
7.2 策略學習的目標函數 99
7.3 策略梯度定理 101
7.3.1 簡化證明 101
7.3.2 嚴格證明 102
7.3.3 近似策略梯度 106
7.4 REINFORCE 107
7.4.1 簡化推導 108
7.4.2 訓練流程 108
7.4.3 嚴格推導 109
7.5 actor-critic 110
7.5.1 價值網路 110
7.5.2 演算法推導 111
7.5.3 訓練流程 114
7.5.4 用目標網路改進訓練 114
相關文獻 115
知識點小結 115
習題 116
第8章 帶基線的策略梯度方法 117
8.1 策略梯度中的基線 117
8.1.1 基線的引入 117
8.1.2 基線的直觀解釋 118
8.2 帶基線的REINFORCE演算法 119
8.2.1 策略網路和價值網路 120
8.2.2 演算法推導 121
8.2.3 訓練流程 121
8.3 advantage actor-critic 122
8.3.1 演算法推導 123
8.3.2 訓練流程 125
8.3.3 用目標網路改進訓練 126
8.4 證明帶基線的策略梯度定理 127
知識點小結 128
習題 128
第9章 策略學習高級技巧 129
9.1 置信域策略優化 129
9.1.1 置信域方法 129
9.1.2 策略學習的目標函數 132
9.1.3 演算法推導 133
9.1.4 訓練流程 135
9.2 策略學習中的熵正則 135
相關文獻 138
知識點小結 138
第10章 連續控制 139
10.1 連續空間的離散化 139
10.2 深度確定性策略梯度 140
10.2.1 策略網路和價值網路 140
10.2.2 演算法推導 142
10.3 深入分析DDPG 145
10.3.1 從策略學習的角度看待DDPG 145
10.3.2 從價值學習的角度看待DDPG 146
10.3.3 DDPG的高估問題 147
10.4 雙延遲深度確定性策略梯度 148
10.4.1 高估問題的解決方案——目標網路 148
10.4.2 高估問題的解決方案——截斷雙Q學習 148
10.4.3 其他改進點 149
10.4.4 訓練流程 150
10.5 隨機高斯策略 151
10.5.1 基本思路 152
10.5.2 隨機高斯策略網路 153
10.5.3 策略梯度 154
10.5.4 用REINFORCE學習參數 155
10.5.5 用actor-critic學習參數 155
相關文獻 157
知識點小結 157
第11章 對狀態的不完全觀測 158
11.1 不完全觀測問題 158
11.2 迴圈神經網路 159
11.3 基於RNN的策略網路 161
相關文獻 162
知識點小結 163
習題 163
第12章 模仿學習 165
12.1 行為克隆 165
12.1.1 連續控制問題 165
12.1.2 離散控制問題 166
12.1.3 行為克隆與強化學習的對比 168
12.2 逆向強化學習 169
12.2.1 IRL的基本設定 169
12.2.2 IRL的基本思想 170
12.2.3 從黑箱策略反推獎勵 170
12.2.4 用獎勵函數訓練策略網路 171
12.3 生成判別模仿學習 171
12.3.1 生成判別網路 172
12.3.2 GAIL的生成器和判別器 175
12.3.3 GAIL的訓練 176
相關文獻 178
知識點小結 179

第四部分 多智慧體強化學習
第13章 平行計算 182
13.1 平行計算基礎 182
13.1.1 並行梯度下降 182
13.1.2 MapReduce 183
13.1.3 用 MapReduce實現並行梯度下降 184
13.1.4 平行計算的代價 187
13.2 同步與非同步 188
13.2.1 同步演算法 188
13.2.2 非同步演算法 189
13.2.3 同步梯度下降與非同步梯度下降的對比 191
13.3 並行強化學習 191
13.3.1 非同步並行雙Q學習 191
13.3.2 A3C：非同步並行A2C 193
相關文獻 195
知識點小結 195
習題 196
第14章 多智慧體系統 197
14.1 常見設定 197
14.2 基本概念 199
14.2.1 專業術語 199
14.2.2 策略網路 200
14.2.3 動作價值函數 200
14.2.4 狀態價值函數 201
14.3 實驗環境 202
14.3.1 multi-agent particle world 202
14.3.2 StarCraft multi-agent challenge 204
14.3.3 Hanabi Challenge 205
相關文獻 206
知識點小結 206
第15章 完全合作關係設定下的多智慧體強化學習 207
15.1 完全合作關係設定下的策略學習 208
15.2 完全合作關係設定下的多智慧體A2C 209
15.2.1 策略網路和價值網路 209
15.2.2 訓練和決策 211
15.2.3 實現中的難點 212
15.3 三種架構 213
15.3.1 中心化訓練+中心化決策 214
15.3.2 去中心化訓練+去中心化決策 215
15.3.3 中心化訓練+去中心化決策 217
相關文獻 219
知識點小結 220
習題 220
第16章 非合作關係設定下的多智能體強化學習 221
16.1 非合作關係設定下的策略學習 222
16.1.1 非合作關係設定下的目標函數 222
16.1.2 收斂的判別 223
16.1.3 評價策略的優劣 223
16.2 非合作關係設定下的多智能體A2C 224
16.2.1 策略網路和價值網路 224
16.2.2 演算法推導 225
16.2.3 訓練 226
16.2.4 決策 227
16.3 三種架構 227
16.3.1 中心化訓練+中心化決策 227
16.3.2 去中心化訓練+去中心化決策 228
16.3.3 中心化訓練+去中心化決策 229
16.4 連續控制與MADDPG 231
16.4.1 策略網路和價值網路 231
16.4.2 演算法推導 232
16.4.3 中心化訓練 234
16.4.4 去中心化決策 236
相關文獻 237
知識點小結 237
第17章 注意力機制與多智慧體強化學習 238
17.1 自注意力機制 238
17.1.1 自注意力層 239
17.1.2 多頭自注意力層 241
17.2 自注意力改進多智能體強化學習 242
17.2.1 不使用自注意力的狀態價值網路 242
17.2.2 使用自注意力的狀態價值網路 243
17.2.3 使用自注意力的動作價值網路 244
17.2.4 使用自注意力的中心化策略網路 244
17.2.5 總結 245
相關文獻 245
知識點小結 245
習題 246

第五部分 應用與展望
第18章 AlphaGo與蒙特卡洛樹搜索 248
18.1 強化學習眼中的圍棋 248
18.2 蒙特卡洛樹搜索 250
18.2.1 MCTS的基本思想 250
18.2.2 MCTS的四個步驟 250
18.2.3 MCTS的決策 255
18.3 訓練策略網路和價值網路 255
18.3.1 AlphaGo 2016版本的訓練 256
18.3.2 AlphaGo Zero版本的訓練 258
相關文獻 260
知識點小結 260
習題 261
第19章 現實世界中的應用 262
19.1 神經網路結構搜索 262
19.1.1 超參數和交叉驗證 262
19.1.2 強化學習方法 264
19.2 自動生成SQL語句 266
19.3 推薦系統 268
19.4 網約車調度 270
19.4.1 價值學習 271
19.4.2 派單機制 271
19.5 強化學習與監督學習的對比 273
19.5.1 決策是否改變環境 273
19.5.2 當前獎勵還是長線回報 274
19.6 制約強化學習落地應用的因素 275
19.6.1 所需的樣本數量過大 275
19.6.2 探索階段代價太大 276
19.6.3 超參數的影響非常大 277
19.6.4 穩定性極差 278
知識點小結 279

附錄A 貝爾曼方程 281
附錄B 習題答案 283
參考文獻 288

王樹森
現任小紅書基礎模型團隊負責人，從事搜索和推薦演算法研發工作。從浙江大學獲得計算機學士和博士學位，就讀期間獲得“微軟學者”和“百度獎學金”等多項榮譽。在加入小紅書之前，曾任美國加州大學伯克利分校博士後、美國史蒂文斯理工學院助理教授、博導。在機器學習、強化學習、數值計算、分散式運算等方向有多年科研經驗，在計算機國際頂級期刊和會議上發表30多篇論文。
在YouTube、B站開設“深度強化學習”“深度學習”“推薦系統”公開課（ID：Shusen Wang），全網視頻播放量超過100萬次。

黎彧君
華為諾亞方舟實驗室高級研究員，主要從事AutoML相關的研發工作。上海交通大學博士，研究方向為數值優化、強化學習；攻讀博士學位期間曾前往普林斯頓大學訪問一年。共同翻譯出版“花書”《深度學習》。

張志華
北京大學數學科學學院教授。此前先後執教于浙江大學和上海交通大學，任計算機科學教授。主要從事統計學、機器學習與計算機科學領域的研究和教學。曾主講“統計機器學習”“機器學習導論”“深度學習”“強化學習”，其課程視頻廣受歡迎。