强化学习当中最难的两个点是：
1.reward delay；
2.agent的行为会影响到之后看到的东西，所以agent要学会探索世界；

关于强化学习的不同类型，可以分为以下三种：
一种是policy based：可以理解为它是去学习一个很强的actor，由actor去指导下一步的行动；
一种是value-based:学习一个好的critic，这个critic其实就是价值函数，由价值函数去指导做下一步的行动；
还有一种是当下最流行的二者结合的方法叫actor+critic，也是PPO 用的方法；

policy based

首先我们用神经网络去学习一个actor，他需要根据环境观察到的state（obervation)去得到action的output；
加下来，我们要判断这个action好不好，靠的是环境反馈的reward;
对于一次的游戏体验而已，reward是每次action累计的return的总和；

但是，我们知道游戏具有随机性，每次的整个游戏过程我们记录为T（s1,a1,r1…);
哪怕我们使用同一个actor，由于游戏本身的随机性T也是不一样的；
但是不同的actor得到的T的概率和倾向性肯定是不一样的；
比如说如果你的actor是见到敌人就呆住，那么你的T大概率就是敌人一出现你就挂了；
所以我们不能拿单次游戏的reward作为此actor的reward，我们要进行多次游戏，这就好比在T的分布中进行采样；N次采样取平均作为这个actor的reward；

接下来我们的目标是优化actor的参数去最大化游戏反馈的reward;

注意Trajactery对应得reward跟待优化的参数没关系，他是环境的反馈，所以可不可导无所谓；


这里要注意R(T)是某个trajactory完成后的reward，而不是某个action的reward,这个也很好理解；

关于这里为什么要取log的解释是，不同的action采样到的频次不一样，模型会提升采样到的多的action的概率，哪怕reward没有很高，所以要除以概率本身，这样子本来比较高概率的action的grad就会变小

注意R(T)如果都是正值应该不会有问题，也就意味着每个action都会被激励，只是激励有大有小，但是如果说采样过程中有个action没有采样到，不知道action a的reward是多少，这就会导致action a的概率比较低，所以最好给reward减去一个bias,这个bias是我们自己设计的。这样reward有正有负之后，可以去掉采样不均匀带来的一些影响

所以整个policy based RL的整体流程就是：现有一个初始化参数的actor，然后去sample(其实就是跟环境交互的过程）获取路径、行动、反馈，再拿上面三个去训练model,更新参数，其实log后面那部分和我们正常的深度学习网络一样的，（input就是s,label就是action a)只是前面会乘以整个路径的reward的系数，也就是把reward作用在这个actor上；


如果我们的enviroments和reward是model的话，可以直接训练；但如果不是，不能微分的话，就用policy gradient硬train一发；

这里的critic其实就是价值函数；

如何衡量价值函数好不好？很简单，价值函数的衡量越接近实际的reward越好；

我们需要给每一个action合理的reward;上述的同一个trajectory里面的每个action都是相同reward显然不合理，一个action的reward首先跟以往历史的action的reward无关，其次随时间会递减reward的影响；下图中的advantage function是相对于其他action,在当前actor采用本action的credit;

关于on policy，也就是采样数据=》更新model=>采样数据=》更新model的循环；
因为我们每次要根据trajectory最终的reward去计算每个action的credit,所以要等到一批数据采集完才能更新，当前的数据一旦更新完model就不能在用了，因为它只适用于当前的policy model,更新后policy model就变了；所以这个过程很繁琐耗时间；
off policy的意思就是我们训练的model和我们采集数据的model不是同一个model,我们可以随意选取一个actor去采集数据（大量数据），分布的事情可以靠分布之间的变换解决（关于这个变换后面的视频没有具体看，下次可以补上）

我们观察数据的actor的分布和实际train的actor的分布不能差太多，差太多以下近似公式会不成立

上图最后一项是待优化的函数：顾名思义：当前actor根据s采取的action的概率乘以对应的credit,我们希望其越大越好；

上面说到，我们不希望采样数据的分布和训练的actor分布差别太大，那么就需要用到限制，TRPO是额外加出来的限制，不好训练，用的少，PPO就是把限制加入到优化函数里面去了；然后关于beta的值是个动态调整的值，我们会自己设一个LKL最大最小值，超过最大值，就调小beta,反之亦然；这里要注意的是，KL计算的不是参数之间的距离，而是behaivor之间的距离；通用采样数据的s和a就可以计算；

PPO

PPO2的加了个clip来做，意思就是看图：如果A>0是正激励，就希望P越大越好，但是也不要太大，如果A<0是负激励，就希望P越小越好，但是也不要太小；

PPO就是紫色的线，可以看到PPO算法在RL中算是非常稳定和性能好的；