机器学习：增强式学习Reinforcement learning

发布时间：2023年12月19日

在这里插入图片描述

  • 收集有标签数据比较困难的时候
  • 同时也不知道什么答案是比较好的时候
  • 可以考虑使用强化学习
  • 通过互动，机器可以自己知道什么结果是好的，什么结果是坏的

Outline

在这里插入图片描述

什么是RL

在这里插入图片描述

  • Action就是一个function
  • Environment就是告诉这个Action是好的还是坏的

例子 Space invader

在这里插入图片描述

  • 只能左移动，右移动，开火
  • 任务就是杀死外星人
  • 奖励就是分数
  • 终止：杀死所有的外星人，或者自己被外星人杀死
    在这里插入图片描述
  • 找到一个function使得得分总和最大

例子：Play Go

在这里插入图片描述
在这里插入图片描述

  • 下围棋的score只有在游戏结束的时候才有分数，+1， -1， 0
  • 中间时刻是没有得分的

RL和ML关系

在这里插入图片描述

Step1： 未知数的Function

在这里插入图片描述

  • 在RL中，未知数的Function就是Action
  • 输入是网络观察到的
  • 输出是每个动作的反馈
  • 分数就是激励，基于分数去有概率的随机性采取对应的行动，增加多样性

Step2：定义Loss

在这里插入图片描述
在这里插入图片描述

  • 把所有的reward进行累加作为最终分数
  • Loss就是要最大虾该总和分数

Step3：优化器

在这里插入图片描述

  • 给定的随机行为，有随机的反应
  • 如何找到一组参数去使得分数越大越好
  • 类比于GAN，但是Reward和env不能当作是network，是一个黑盒子

Policy Gradient

在这里插入图片描述
如何控制你的action
在这里插入图片描述

  • 希望采用的模型，可以类比一个分类器
  • 希望不采用什么动作的模型，可以使用上面取反
    在这里插入图片描述
  • 使得e1越小越好，使得e2越大越好

收集一些训练数据
在这里插入图片描述
但不一定是只有两种情况，不是二分类问题，可以采用不同的数字表示不同程度的期待
在这里插入图片描述

定义A

版本1

随机的Action得到结果，然后进行评价正负
在这里插入图片描述

  • 该版本不是一个好的版本
  • 短视近利的Action，没有长远规划
  • 每个动作都影响后续的动作
  • 奖励延迟，需要牺牲短期利益获得长远利益
    在这里插入图片描述

版本2

在这里插入图片描述

  • 把每个动作之后的分数都加起来作为该动作的分数

版本3

在这里插入图片描述

  • 相邻的动作影响更大一点，越远的距离的动作影响越小

版本4

在这里插入图片描述

  • 需要对分数进行标准化，减掉一个baseline b，使得分数有正有负

Policy Gradient

在这里插入图片描述

  • 收集资料是在epoch循环中
    在这里插入图片描述
    在这里插入图片描述
  • 每次Update之后需要重新收集资料
  • RL训练非常耗时
    同一种行为对于不同的s是好坏是不一样的，是一个连续的。
    在这里插入图片描述
    在这里插入图片描述
  • off-policy可以不用在更新前收集资料了，只需要收集一次
    在这里插入图片描述
    在这里插入图片描述
  • 增加随机性，尝试不同的action

PPO

在这里插入图片描述
在这里插入图片描述

文章来源:https://blog.csdn.net/uncle_ll/article/details/135072929
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
最新文章