深度強化學習實戰

第一部分　基礎篇
第1章 什麼是強化學習 3
1.1 深度強化學習中的“深度” 4
1.2 強化學習 5
1.3 動態規劃與蒙特卡洛 7
1.4 強化學習框架 9
1.5 強化學習可以做什麼 12
1.6 為什麼是深度強化學習 14
1.7 教學工具：線圖 15
1.8 後續內容概述 17
小結 18
第2章 強化學習問題建模： 瑪律可夫決策過程 19
2.1 線圖與本書的教學方法 19
2.2 解決多臂老虎機問題 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 應用老虎機演算法優化廣告投放 31
2.3.1 上下文老虎機 31
2.3.2 狀態、動作和獎勵 32
2.4 利用PyTorch構建網路 33
2.4.1 自動微分 33
2.4.2 構建模型 34
2.5 解決上下文老虎機問題 35
2.6 瑪律可夫性質 39
2.7 預測未來獎勵：價值和策略函數 41
2.7.1 策略函數 42
2.7.2 最優策略 43
2.7.3 價值函數 43
小結 44
第3章 預測最佳狀態和動作： 深度Q網路 46
3.1 Q函數 46
3.2 Q-learning導航 47
3.2.1 Q-learning是什麼 48
3.2.2 應用於Gridworld遊戲 49
3.2.3 超參數 50
3.2.4 貼現因數 50
3.2.5 構建網路 52
3.2.6 介紹Gridworld遊戲引擎 53
3.2.7 構建Q函數的神經網路 55
3.3 防止災難性遺忘：經驗重播 64
3.3.1 災難性遺忘 64
3.3.2 經驗重播 65
3.4 利用目標網路提高穩定性 69
學習的不穩定性 70
3.5 回顧 74
小結 76
第4章 學習選擇最佳策略：策略梯度法 77
4.1 使用神經網路的策略函數 77
4.1.1 神經網路作為策略函數 78
4.1.2 隨機策略梯度 78
4.1.3 探索 80
4.2 強化良好動作：策略梯度演算法 81
4.2.1 定義目標 81
4.2.2 強化動作 82
4.2.3 對數概率 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演算法 88
4.4.1 創建策略網路 88
4.4.2 使智慧體與環境交互 89
4.4.3 訓練模型 89
4.4.4 完整訓練迴圈 91
4.4.5 所得到的結論 93
小結 93
第5章 利用演員-評論家演算法 解決更複雜的問題 94
5.1 重構價值-策略函數 95
5.2 分散式訓練 99
5.3 演員-評論家優勢演算法 104
5.4 N-step演員-評論家演算法 112
小結 116

第二部分 進階篇
第6章 可替代的優化方法： 進化演算法 119
6.1 另一種強化學習方法 119
6.2 具有進化策略的強化學習 121
6.2.1 進化理論 121
6.2.2 進化實踐 123
6.3 CartPole的遺傳演算法 128
6.4 進化演算法的優缺點 134
6.4.1 進化演算法探索更多 134
6.4.2 進化演算法令人難以置信的樣本密集性 134
6.4.3 模擬器 135
6.5 進化演算法作為一種可擴展的替代方案 135
6.5.1 擴展的進化演算法 135
6.5.2 並行與連續處理 137
6.5.3 擴展效率 138
6.5.4 節點間通信 138
6.5.5 線性擴展 140
6.5.6 擴展基於梯度的演算法 140
小結 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 再論概率統計 147
7.2.1 先驗和後驗 148
7.2.2 期望和方差 149
7.3 貝爾曼方程 153
分散式貝爾曼方程 153
7.4 分散式Q-learning 154
7.4.1 使用Python表示概率分佈 154
7.4.2 實現Dist-DQN 162
7.5 比較概率分佈 164
7.6 模擬數據上的Dist-DQN 167
7.7 使用分散式Q-learning玩Freeway 172
小結 177
第8章 好奇心驅動的 探索 178
8.1 利用預測編碼處理稀疏獎勵 179
8.2 反向動態預測 182
8.3 搭建《超級馬里奧兄弟》環境 184
8.4 預處理和Q網路 186
8.5 創建Q網路和策略函數 188
8.6 內在好奇心模組 191
8.7 可替代的內在獎勵機制 203
小結 205
第9章 多智能體強化 學習 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 混合合作競技遊戲 230
小結 239
第10章 強化學習可解釋性： 注意力和關係 模型 241
10.1 帶注意力和關係偏差的 機器學習可解釋性 242
不變性和等變性 243
10.2 利用注意力進行關係 推理 244
10.2.1 注意力模型 245
10.2.2 關係推理 246
10.2.3 自注意力模型 251
10.3 對MNIST實現 自注意力 253
10.3.1 轉換的MNIST 254
10.3.2 關係模組 255
10.3.3 張量縮並和愛因斯坦 標記法 258
10.3.4 訓練關係模組 261
10.4 多頭注意力和 關係DQN 264
10.5 雙Q-learning 270
10.6 訓練和注意力 視覺化 271
10.6.1 最大熵學習 275
10.6.2 課程學習 275
10.6.3 視覺化注意力權重 276
小結 278
第11章 總結：回顧和 路線圖 280
11.1 我們學到了什麼 280
11.2 深度強化學習中的 未知課題 282
11.2.1 優先經驗重播 282
11.2.2 近端策略優化 282
11.2.3 分層強化學習和 options框架 283
11.2.4 基於模型的規劃 283
11.2.5 蒙特卡洛樹搜索 284
全書結語 284

附錄A 數學、深度學習和
PyTorch 285
A.1 線性代數 285
A.2 微積分 287
A.3 深度學習 290
A.4 PyTorch 291
參考資料 295

Alexander Zai曾擔任Codesmith（一個沉浸式的編碼訓練營）首席技術官和技術顧問、Uber 軟體工程師、Bonjo和亞馬遜AI機器學習工程師，他也是開源深度學習框架Apache MXNet的貢獻者。此外，他還是兩家公司的聯合創始人，其中一家曾是Y-combinator的參與者。

Brandon Brown從很小的時候就開始程式設計，大學期間做過兼職軟體工程師，但最終選擇投身醫療行業（在此期間，他在醫療保健科技領域擔任軟體工程師）。受深度強化學習的啟發，他近期專注於計算精神病學的研究。