强化学习之原理详解、算法流程及Python代码_强化学习采样轨迹数据是什么意思

开头先附上强化学习（reinforcement learning）的学习视频：https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/，赶紧进行强化学习吧！

1.强化学习就是程序或智能体(agent)通过与环境不断地进行交互学习一个从环境到动作的映射，学习的目标就是使累计回报最大化。

2.强化学习是一种试错学习，因其在各种状态（环境）下需要尽量尝试所有可以选择的动作，通过环境给出的反馈（即奖励）来判断动作的优劣，最终获得环境和最优动作的映射关系（即策略）。

马尔可夫决策过程(MDP)

马尔可夫决策过程（Markov Decision Process）通常用来描述一个强化学习问题。

智能体agent根据当前对环境的观察采取动作获得环境的反馈，并使环境发生改变的循环过程

蒙特卡洛强化学习

1.在现实的强化学习任务中，环境的转移概率、奖励函数往往很难得知，甚至很难得知环境中有多少状态。若学习算法不在依赖于环境建模，则称为免模型学习，蒙特卡洛强化学习就是其中一种。

2.蒙特卡洛强化学习使用多次采样，然后求取平均累计奖赏作为期望累计奖赏的近似。

蒙特卡洛强化学习：直接对状态动作值函数Q（s,a）进行估计，每采样一条轨迹，就根据轨迹中的所有“状态-动作”利用下面的公式对来对值函数进行更新。

每次采样更新完所有的“状态-动作”对所对应的Q（s，a），就需要更新采样策略π。但由于策略可能是确定性的，即一个状态对应一个动作，多次采样可能获得相同的采样轨迹，因此需要借助ε贪心策略:

蒙特卡洛强化学习算法需要采样一个完整的轨迹来更新值函数，效率较低，此外该算法没有充分利用强化学习任务的序贯决策结构。

Q-learning算法结合了动态规划与蒙特卡洛方法的思想，使得学习更加高效。

深度强化学习(DRL)

传统强化学习：真实环境中的状态数目过多，求解困难。

深度强化学习：将深度学习和强化学习结合在一起，通过深度神经网络直接学习环境（或观察）与状态动作值函数Q（s，a）之间的映射关系，简化问题的求解。

Deep Q Network(DQN)

Deep Q Network(DQN)：是将神经网略（neural network）和Q-learning结合，利用神经网络近似模拟函数Q（s，a），输入是问题的状态（e.g.，图形），输出是每个动作a对应的Q值，然后依据Q值大小选择对应状态执行的动作，以完成控制。

自主学习Flappy Bird游戏

深度强化学习

2013年，Deep Mind团队在NIPS上发表《Playing Atari with Deep Reinforcement Learning》一文，在该文中首次提出Deep Reinforcement Learning一词，并且提出DQN（Deep Q-Networt）算法，实现了从纯图像输入完全通过学习来玩Atari游戏。

Flappy Bird自主学习程序基本框架

训练过程

训练过程过程主要分为以下三个阶段：

1.观察期（OBSERVE）:程序与模拟器进行交互，随机给出动作，获取模拟器中的状态，将状态转移过程存放在D（Replay Memory）中；

2.探索期（EXPLORE）：程序与模拟器交互的过程中，依据Replay Memory中存储的历史信息更新网络参数，并随训练过程降低随机探索率ε；

3.训练器（TRAIN）：ε已经很小，不再发生改变，网络参数随着训练过程不断趋于稳定。

1.打开游戏模拟器，不执行跳跃动作，获取游戏的初始状态

2.根据ε贪心策略获得一个动作（由于神经网络参数也是随机初始化的，在本阶段参数也不会进行更新，所以统称为随机动作），并根据迭代次数减小ε的大小

3.由模拟器执行选择的动作，能够返回新的状态和反馈奖励

4.将上一状态s，动作a，新状态s’，反馈r组装成（s，a，s‘，r）放进Replay Memory中用作以后的参数更新

5.根据新的状态s‘，根据ε贪心策略选择下一步执行的动作，周而复始，直至迭代次数到达探索期

探索期与观察期的唯一区别在于会根据抽样对网络参数进行更新。

1.迭代次数达到一定数目，进入探索期，根据当前状态s，使用ε贪心策略选择一个动作（可以是随机动作或者由神经网络选择动作），并根据迭代次数减小ε的值

2.由模拟器执行选择的动作，能够返回新的状态和反馈奖励

3.将上一状态s，动作a，新状态s’，反馈r组装成（s，a，a‘，r）放进Replay Memory中用作参数更新

4.从Replay Memory中抽取一定量的样本，对神经网络的参数进行更新

5.根据新的状态s‘，根据ε贪心策略选择下一步执行的动作，周而复始，直至迭代次数到达训练器

相关库的介绍和安装

tensorflow库

TensorFlow是谷歌2015年开源的一个人工智能学习系统。主要目的是方便研究人员开展机器学习和深度神经网络方面的研究，目前这个系统更具有通用性，也可广泛用于其他计算领域。

TensorFlow
支持多种前端语言，包括python（python也是tensorflow支持最好的前端语言），因此一般大家利用python实现对tensorflow的调用。

安装：conda install tensorflow

openCV库

OpenCV是一个开源的跨平台的计算机视觉库，实现了大量的图像处理和计算机视觉方面的通用算法。

本实验采用opencv对采集的游戏画面进行预处理

安装：Mac+anaconda安装opencv3非常麻烦，如需安装请查看我的另一篇文章。

PyGame库

Pygame是一个跨平台的模块，专为电子游戏设计。

Pygame相当于是一款游戏引擎，用户无需编写大量的基础模块，而只需完成游戏逻辑本身就可以了。

本实验游戏模拟器采用Pygame实现。

安装：conda install pygame

tensorflow库的基本使用

理解TensorFlow

1.使用图（graph）来表示计算任务；

2.在被称之为会话（Session）的上下文（context）中执行图；

3.使用tensor（张量）表示数据；

4.通过变量（variable）维护状态；

5.使用feed和fetch可以为任意的操作（arbitrary operation）赋值或者从其中获取数据。

6.TensorFlow是一个编程系统，使用图来表示计算任务。图中的节点被称作op（Operation）,op可以获得0个或多个tensor，产生0个或多个tensor。每个tensor是一个类型化的多维数组。例如：可以将一组图像集表示成一个四维的浮点数组，四个维度分别是[batch，height，weight，channels]。

7.图（graph）描述了计算的过程。为了进行计算，图必须在会话中启动，会话负责将图中的op分发到cpu或gpu上进行计算，然后将产生的tensot返回。在python中，tensor就是numpy.ndarray对象。

8.TensorFlow程序通常被组织成两个阶段：构建阶段和执行阶段。

          构建阶段：op的执行顺序被描述成一个图；

           执行阶段：使用会话执行图中的op

            例如：通常在构建阶段创建一个图来表示神经网络，在执行阶段反复执行图中的op训练  神经网络。

9.交互式会话(InteractiveSession):为了方便实用Ipython之类的python交互环境，可以使用交互式会话（interactiveSession）来代替Session，使用类似Tensor.run()和Operation.eval()来代替Session.run(),避免使用一个变量来持有会话。

10.feed操作：

前面的例子中，数据均以变量或常量的形式进行存储。Tensorflow还提供了Feed机制，该机制可以临时替代图中任意操作中的tensor。最常见的用例是使用tf.placeholder()创建占位符，相当于是作为图中的输入，然后使用Feed机制向图中占位符提供数据进行计算，具体使用方法见接下来的样例。

自主学习flappy bird实例程序编写

 

转自：https://www.jianshu.com/p/42507aa63b05