目录

What is RL? (Three steps in ML)

Policy Gradient

Actor-Critic

Reward Shaping

No Reward: Learning from Demonstration

---

It is challenging to label data in some tasks. 例如下围棋时，下一步下在哪个位置最好是不太好确定的，此时可以考虑使用RL。

What is RL? (Three steps in ML)

machine learning ≈ looking for a function

RL作为机器学习的一种，它也在找一个function：Actor

下面会用space invader这个小游戏和围棋对RL的整体流程进行举例说明：

Example 1: playing video game

Example 2: learning to play Go

下面介绍RL和机器学习的framework之间的关系：

        machine learning有三个步骤：

        RL也是和machine learning一模一样的三个步骤：

        Step 1: Function with Unknown. 如下图绿框，在多数RL应用里面，都是采取sample，而不是取得分最大的那个值。采取sample可以加入一些随机性，对很多游戏来说，这种随机性是重要的。

        Step 2: Define “Loss”

        Step 3: Optimization. RL在这一步，困难的是，它要解的不是一个一般的optimization的问题。这里存在很多问题导致它和一般的network training不太一样。

        第一个问题是Actor的输出具有随机性，下图中的ai是随机产生的。

        第二个问题是environment和reward不是network，environment是一个黑盒子，而reward是一个规则。并且environment和reward往往也是具有随机性的。

        所以RL真正的难点：怎么解optimization的问题。

Policy Gradient

——做RL的optimization常用的一个演算法

How to control actor：

如何收集训练资料s和a的pair：用一个actor去跟环境做互动，就可以收集到s和a的pair

接下来是关于如何去定义A，有几个不同的版本（不同rl的方法，其实就是对A做文章，有不同的定义A的方法）：

        version 0: (一个短视的版本)

        An action affects the subsequent observations and thus subsequent rewards.

        Reward delay: Actor has to sacrifice immediate reward to gain more ng-term reward.

        In space invader, only “fire” yields positive reward, so vision 0 will learn an actor that always “fire”.

        version 1:

        version 2:

        version 3: (在version 2的基础上对A做标准化)

上面介绍的是大的概念，下面介绍policy gradient实际上是怎么操作的：

The actor to train and the actor for interacting is the same. → On-policy

Can the actor to train and the actor for interacting be different? → Off-policy

Off-policy → Proxima Policy Optimization(PPO): The actor to train has to know its difference from the actor to interact.

On-policy vs.Off-policy

        对于Off-policy，不需要update一次就收集一次data：

另一个重要的概念是exploration：actor在采取行为的时候，具有一些随机性。这个随机性非常重要，很多时候如果随机性不够，会train不起来。

Actor-Critic

Critic的工作是去评估一个actor的好坏。

Critic: Given actor θ, how good it is when observing s (and taking action α)

下面介绍value function这个critic：

discounted cumulated reward是指G'：

下面介绍critic是怎么被训练出来的，有两种常用的训练方法：

        ① Monte-Carlo(MC) based approach

        The critic watches actor θ to interact with the environment.

        需要玩完整场游戏去得到训练资料。

        ② Temporal-difference (TD) approach

同样的问题，用MC和TD分别去计算，算出来的value function很有可能是不同的。举例如下：

下面介绍critic怎么被用在训练actor上面：

        对于version 3中b的值如何计算，在version 4中给出了答案：

训练Actor-Critic的小技巧：The parameters of actor and critic can beshared.

Actor和Critic都是network。Actor这个network的输入是一个游戏画面，输出是每一个action的分数。Critic这个network的输入也是一个游戏画面，输出是一个scalar，代表接下来会得到的cumulative的reward。这两个network的输入是一样的东西，所以这两个network有部分参数可以共用：

Reward Shaping

Sparse Reward:

Reward shaping在VizDoom这个游戏上的实例如下:

Reward shaping有个特别知名的做法，叫做curiosity based的reward shaping：Obtaining extra reward when the agent sees something new (but meaningful).

No Reward: Learning from Demonstration

有时候在RL里面，会有没有reward的情况，原因有两点：

• Even define reward can be challenging in some tasks
• Hand-crafted rewards can lead to uncontrolled behavior

在没有reward的情况下，如何训练一个actor去和环境互动：

        方法一：Imitation Learning

        有expert的示范，此时这是一个supervised learning，也叫做behavior cloning。

        例如self-driving：

        让机器去复制expert的行为，可能带来的一个问题是，expert和机器，他们可能可以观察到的s是不一样的。还是以self-driving为例，机器和人类expert学习开自驾车，人类expert在转弯的时候，都能顺利通过弯道，所以对机器来说，它从来没有看过转弯失败的情况，那机器就不知道当车子转弯失败快要撞墙的时候如何处理。

        第二个可能遇到的问题是，人类expert在开车的时候可能很厉害，但也许不是每一个行为机器都需要去完全模仿。假设expert有一部分行为是机器要去学习的，另一部分机器学习了没什么作用，但是机器无法分辨它要学哪些行为，只能全部进行学习。更惨的情况是机器学习能力有限，但它恰好学到的是没什么意义的那些行为。

        方法二：Inverse Reinforcement Learning

        Reinforcement Learning:

        Inverse Reinforcement Learning:

        下面是图像化的方法介绍IRL的framework：

        GAN v.s. IRL: 它们可以理解为同一个framework，用不同的方法、不同的角度去描述

        IRL这种方法，常常被用来训练机器手臂。未来我们可能可以用demonstrate的方法教机器事情。也可以给机器一个画面，让机器去做画面中的行为。