原作：Thomas Simonini
墙化栗子 编译自 FreeCodeCamp
量子位 出品 | 公众号 QbitAI
强化学习是机器学习里面非常重要的一个派别。智能体 (agent) 会不断执行一些操作，通过结果来学习，在不同的环境中分别应该采取怎样的行动。
在一系列教学文章里，我们可以了解不同的架构，来解决强化学习的问题。Q学习，深度Q网络 (DQN) ，策略梯度 (Policy Gradients) ，演员-评论家 (Actor-Critic) ，以及近端策略优化 (PPO) 都是将要涉及的算法。
这是本系列的第一篇文章，你可以抓住的重点有：
· 什么是强化学习，以及为什么奖励最重要
· 强化学习的三种方式
· 深度强化学习的“深度”是什么意思
以上几点，在进入强化学习的复杂世界之前，可能还是有必要了解一下。
这是个友好的引子
强化学习的中心思想，就是让智能体在环境里学习。每个行动会对应各自的奖励，智能体通过分析数据来学习，怎样的情况下应该做怎样的事情。
其实，这样的学习过程和我们自然的经历非常相似。想象自己是个小孩子，第一次看到了火，然后走到了火边。
你感受到了温暖。火是个好东西 (+1) 。
然后就试着去摸。卧槽，这么烫 (-1) 。
结论是，在稍远的地方火是好的，靠得太近就不好。
这就是人类学习的方式，与环境交互。强化学习也是一样的道理，只是主角换成了计算机。
比如，智能体要学着玩超级马里奥。强化学习过程可以用一个循环 (loop) 来表示：
· 智能体在环境 (超级马里奥) 里获得初始状态S0 (游戏的第一帧) ；
· 在state 0的基础上，agent会做出第一个行动A0 (如向右走) ；
· 环境变化，获得新的状态S1 (A0发生后的某一帧) ；
· 环境给出了第一个奖励R1 (没死：+1) ；
于是，这个loop输出的就是一个由状态、奖励和行动组成的序列。
而智能体的目标就是让预期累积奖励最大化。
奖励假说为根基
问题来了，目标为什么是预期累积奖励最大化？
因为，强化学习原本就是建立在奖励假说的基础之上。想表现好，就要多拿奖励。
每一个时间步 (time step) 的累积奖励都可以表示为：
或者
不过，我们没有办法把奖励直接相加。因为游戏里，越接近游戏开始处的奖励，就越容易获得；而随着游戏的进行，后面的奖励就没有那么容易拿到了。
把智能体想成一只小老鼠，对手是只猫。它的目标就是在被猫吃掉之前，吃到最多的奶酪。
就像图中，离老鼠最近的奶酪很容易吃，而从猫眼皮底下顺奶酪就难了。离猫越近，就越危险。
结果就是，从猫身旁获取的奖励会打折扣，吃到的可能性小，就算奶酪放得很密集也没用。
那么，这个折扣要怎么算呢？
我们用γ表示折扣率，在0和1之间。
· γ越大，折扣越小。表示智能体越在意长期的奖励 (猫边上的奶酪) 。
· γ越小，折扣越大。表示智能体越在意短期的奖励 (鼠边上的奶酪) 。
这样，累积奖励表示出来就是：
简单来说，离猫近一步，就乘上一个γ，表示奖励越难获得。
片段性任务还是连续性任务
强化学习里的任务分两种。
片段性任务 (Episodic Tasks)
这类任务，有个起点，有个终点。两者之间有一堆状态，一堆行动，一堆奖励，和一堆新的状态，它们共同构成了一“集”。
当一集结束，也就是到达终止状态的时候，智能体会看一下奖励累积了多少，以此评估自己的表现。
然后，它就带着之前的经验开始一局新游戏。这一次，智能体做决定的依据会充分一些。
以猫鼠迷宫为例的一集：
· 永远从同一个起点开始
· 如果被猫吃掉或者走了超过20步，则游戏结束
· 结束时，得到一系列状态、行动、奖励和新状态
· 算出奖励的总和 (看看表现如何)
· 更有经验地开始新游戏
集数越多，智能体的表现会越好。
连续性任务 (Continuing Tasks)
永远不会有游戏结束的时候。智能体要学习如何选择最佳的行动，和环境进行实时交互。就像自动驾驶汽车，并没有过关拔旗子的事。
这样的任务是通过时间差分学习 (Temporal Difference Learning) 来训练的。每一个时间步，都会有总结学习，等不到一集结束再分析结果。
探索和开发之间的权衡
在讨论强化学习的几种方法之前，必须讲到这件事。
· 探索 (Exploration) 是找到关于环境的更多信息。
· 开发 (Exploitation) 是利用已知信息来得到最多的奖励。
要记住，目标是将预期累积奖励最大化。正因如此，它有时候会陷入一种困境。
小老鼠可以吃到无穷多块分散的奶酪 (每块+1) 。但在迷宫上方，有许多堆在起的奶酪(+1000) ，或者看成巨型奶酪。
如果我们只关心吃了多少，小老鼠就永远不会去找那些大奶酪。它只会在安全的地方一块一块地吃，这样奖励累积比较慢，但它不在乎。
如果它跑去远的地方，也许就会发现大奖的存在，但也有可能发生危险。
程序猿需要设定一种规则，让智能体能够把握二者之间的平衡。
强化学习的三种方法
前菜吃完了，我们终于要开始讲解决强化学习问题的方法了。三种方法分别是：基于价值（value-based）、基于策略（policy-based）以及基于模型（model-based）的方法。
基于价值 (Value-Based)
这种方法，目标是优化价值函数V(s)。
价值函数会告诉我们，智能体在每个状态里得出的未来奖励最大预期 (maximum expected future reward) 。
一个状态下的函数值，是智能体可以预期的未来奖励积累总值，从当前状态开始算。
智能体要用这个价值函数来决定，每一步要选择哪个行动。它会采取函数值 (就是Q值) 最大的那个行动。
在迷宫问题中，每一步我们都选取最大函数值：-7，-6，-5，以此类推，达到目标。
基于策略 (Policy-Based)
这种方式，会直接优化策略函数π(s)，抛弃价值函数。
策略就是评判智能体在特定时间点的表现。
把每一个状态和它所对应的最佳行动建立联系。
策略分为两种，
· 确定性策略：某一个特定状态下的策略，永远都会给出同样的行动。
· 随机性策略：策略给出的是多种行动的可能性分布。
从图中我们可以看到，策略直接指出了每一步的最佳行动。
基于模型 (Model-Based)
这种方法是对环境建模。这表示，我们要创建一个模型，来表示环境的行为。
问题是，每个环境都会需要一个不同的模型 (马里奥每走一步，都会有一个新环境) 。这也是这个方法在强化学习中并不太常用的原因。
深度强化学习
所谓深度强化学习，就是在强化学习里，加入深度神经网络。
如图，拿Q学习和深度Q网络 (DQN) 来举例。
· Q学习，是利用一个传统算法创建Q-table，来帮助智能体找到下一步要采取的行动。
· DQN，是利用深度神经网络来近似Q值。
恭喜你读到现在。这第一篇文章的信息量还是不小的。
△ 根本停不下来
有兴趣的同学，可以坚持服用一疗程。
这里是本系列大纲的传送门：
https://simoninithomas.github.io/Deep_reinforcement_learning_Course/
“
