序言 i 前言 v 常用符號 xi 第 一部分 基礎(chǔ)知識 第 1章 機(jī)器學(xué)習(xí)基礎(chǔ) 2 1.1 線性模型 2 1.1.1 線性回歸 2 1.1.2 邏輯斯諦回歸 4 1.1.3 softmax分類器 7 1.2 神經(jīng)網(wǎng)絡(luò) 10 1.2.1 全連接神經(jīng)網(wǎng)絡(luò) 10 1.2.2 卷積神經(jīng)網(wǎng)絡(luò) 11 1.3 梯度下降和反向傳播 12 1.3.1 梯度下降 13 1.3.2 反向傳播 14 知識點(diǎn)小結(jié) 16 習(xí)題 16 第 2章 蒙特卡洛方法 18 2.1 隨機(jī)變量 18 2.2 蒙特卡洛方法實(shí)例 21 2.2.1 例一：近似π值 21 2.2.2 例二：估算陰影部分面積 23 2.2.3 例三：近似定積分 25 2.2.4 例四：近似期望 26 2.2.5 例五：隨機(jī)梯度 27 知識點(diǎn)小結(jié) 29 習(xí)題 29 第3章 強(qiáng)化學(xué)習(xí)基本概念 31 3.1 馬爾可夫決策過程 31 3.1.1 狀態(tài)、動作、獎勵 31 3.1.2 狀態(tài)轉(zhuǎn)移 32 3.2 策略 33 3.3 隨機(jī)性 35 3.4 回報(bào)與折扣回報(bào) 37 3.4.1 回報(bào) 37 3.4.2 折扣回報(bào) 37 3.4.3 回報(bào)中的隨機(jī)性 38 3.4.4 有限期MDP和無限期MDP 39 3.5 價(jià)值函數(shù) 39 3.5.1 動作價(jià)值函數(shù) 40 3.5.2 最優(yōu)動作價(jià)值函數(shù) 40 3.5.3 狀態(tài)價(jià)值函數(shù) 41 3.6 實(shí)驗(yàn)環(huán)境：OpenAI Gym 42 知識點(diǎn)小結(jié) 44 習(xí)題 44 第二部分 價(jià)值學(xué)習(xí) 第4章 DQN與Q學(xué)習(xí) 48 4.1 DQN 48 4.1.1 概念回顧 48 4.1.2 DQN表達(dá)式 49 4.1.3 DQN的梯度 50 4.2 TD算法 50 4.2.1 駕車時(shí)間預(yù)測示例 50 4.2.2 TD算法的原理 51 4.3 用TD訓(xùn)練DQN 53 4.3.1 算法推導(dǎo) 53 4.3.2 訓(xùn)練流程 55 4.4 Q 學(xué)習(xí)算法 57 4.4.1 表格形式的Q學(xué)習(xí) 57 4.4.2 算法推導(dǎo) 57 4.4.3 訓(xùn)練流程 58 4.5 同策略與異策略 59 相關(guān)文獻(xiàn) 60 知識點(diǎn)小結(jié) 61 習(xí)題 61 第5章 SARSA算法 63 5.1 表格形式的SARSA 63 5.1.1 算法推導(dǎo) 63 5.1.2 訓(xùn)練流程 64 5.1.3 Q學(xué)習(xí)與SARSA的對比 65 5.2 神經(jīng)網(wǎng)絡(luò)形式的SARSA 66 5.2.1 價(jià)值網(wǎng)絡(luò) 66 5.2.2 算法推導(dǎo) 66 5.2.3 訓(xùn)練流程 67 5.3 多步TD目標(biāo) 68 5.3.1 算法推導(dǎo) 68 5.3.2 多步TD目標(biāo)的原理 69 5.3.3 訓(xùn)練流程 70 5.4 蒙特卡洛方法與自舉 70 5.4.1 蒙特卡洛方法 71 5.4.2 自舉 71 5.4.3 蒙特卡洛方法和自舉的對比 72 相關(guān)文獻(xiàn) 73 知識點(diǎn)小結(jié) 73 習(xí)題 74 第6章 價(jià)值學(xué)習(xí)高級技巧 75 6.1 經(jīng)驗(yàn)回放 75 6.1.1 經(jīng)驗(yàn)回放的優(yōu)點(diǎn) 76 6.1.2 經(jīng)驗(yàn)回放的局限性 76 6.1.3 優(yōu)先經(jīng)驗(yàn)回放 77 6.2 高估問題及解決方法 79 6.2.1 自舉導(dǎo)致偏差傳播 79 6.2.2 最大化導(dǎo)致高估 80 6.2.3 高估的危害 81 6.2.4 使用目標(biāo)網(wǎng)絡(luò) 82 6.2.5 雙Q學(xué)習(xí)算法 84 6.2.6 總結(jié) 85 6.3 對決網(wǎng)絡(luò) 86 6.3.1 最優(yōu)優(yōu)勢函數(shù) 86 6.3.2 對決網(wǎng)絡(luò)的結(jié)構(gòu) 87 6.3.3 解決不唯一性 88 6.3.4 對決網(wǎng)絡(luò)的實(shí)際實(shí)現(xiàn) 89 6.4 噪聲網(wǎng)絡(luò) 90 6.4.1 噪聲網(wǎng)絡(luò)的原理 90 6.4.2 噪聲DQN 91 6.4.3 訓(xùn)練流程 93 相關(guān)文獻(xiàn) 94 知識點(diǎn)小結(jié) 94 習(xí)題 94 第三部分 策略學(xué)習(xí) 第7章 策略梯度方法 98 7.1 策略網(wǎng)絡(luò) 98 7.2 策略學(xué)習(xí)的目標(biāo)函數(shù) 99 7.3 策略梯度定理 101 7.3.1 簡化證明 101 7.3.2 嚴(yán)格證明 102 7.3.3 近似策略梯度 106 7.4 REINFORCE 107 7.4.1 簡化推導(dǎo) 108 7.4.2 訓(xùn)練流程 108 7.4.3 嚴(yán)格推導(dǎo) 109 7.5 actor-critic 110 7.5.1 價(jià)值網(wǎng)絡(luò) 110 7.5.2 算法推導(dǎo) 111 7.5.3 訓(xùn)練流程 114 7.5.4 用目標(biāo)網(wǎng)絡(luò)改進(jìn)訓(xùn)練 114 相關(guān)文獻(xiàn) 115 知識點(diǎn)小結(jié) 115 習(xí)題 116 第8章 帶基線的策略梯度方法 117 8.1 策略梯度中的基線 117 8.1.1 基線的引入 117 8.1.2 基線的直觀解釋 118 8.2 帶基線的REINFORCE算法 119 8.2.1 策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò) 120 8.2.2 算法推導(dǎo) 121 8.2.3 訓(xùn)練流程 121 8.3 advantage actor-critic 122 8.3.1 算法推導(dǎo) 123 8.3.2 訓(xùn)練流程 125 8.3.3 用目標(biāo)網(wǎng)絡(luò)改進(jìn)訓(xùn)練 126 8.4 證明帶基線的策略梯度定理 127 知識點(diǎn)小結(jié) 128 習(xí)題 128 第9章 策略學(xué)習(xí)高級技巧 129 9.1 置信域策略優(yōu)化 129 9.1.1 置信域方法 129 9.1.2 策略學(xué)習(xí)的目標(biāo)函數(shù) 132 9.1.3 算法推導(dǎo) 133 9.1.4 訓(xùn)練流程 135 9.2 策略學(xué)習(xí)中的熵正則 135 相關(guān)文獻(xiàn) 138 知識點(diǎn)小結(jié) 138 第 10章 連續(xù)控制 139 10.1 連續(xù)空間的離散化 139 10.2 深度確定性策略梯度 140 10.2.1 策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò) 140 10.2.2 算法推導(dǎo) 142 10.3 深入分析DDPG 145 10.3.1 從策略學(xué)習(xí)的角度看待DDPG 145 10.3.2 從價(jià)值學(xué)習(xí)的角度看待DDPG 146 10.3.3 DDPG的高估問題 147 10.4 雙延遲深度確定性策略梯度 148 10.4.1 高估問題的解決方案——目標(biāo)網(wǎng)絡(luò) 148 10.4.2 高估問題的解決方案——截?cái)嚯pQ學(xué)習(xí) 148 10.4.3 其他改進(jìn)點(diǎn) 149 10.4.4 訓(xùn)練流程 150 10.5 隨機(jī)高斯策略 151 10.5.1 基本思路 152 10.5.2 隨機(jī)高斯策略網(wǎng)絡(luò) 153 10.5.3 策略梯度 154 10.5.4 用REINFORCE學(xué)習(xí)參數(shù) 155 10.5.5 用actor-critic學(xué)習(xí)參數(shù) 155 相關(guān)文獻(xiàn) 157 知識點(diǎn)小結(jié) 157 第 11章 對狀態(tài)的不完全觀測 158 11.1 不完全觀測問題 158 11.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 159 11.3 基于RNN的策略網(wǎng)絡(luò) 161 相關(guān)文獻(xiàn) 162 知識點(diǎn)小結(jié) 163 習(xí)題 163 第 12章 模仿學(xué)習(xí) 165 12.1 行為克隆 165 12.1.1 連續(xù)控制問題 165 12.1.2 離散控制問題 166 12.1.3 行為克隆與強(qiáng)化學(xué)習(xí)的對比 168 12.2 逆向強(qiáng)化學(xué)習(xí) 169 12.2.1 IRL的基本設(shè)定 169 12.2.2 IRL的基本思想 170 12.2.3 從黑箱策略反推獎勵 170 12.2.4 用獎勵函數(shù)訓(xùn)練策略網(wǎng)絡(luò) 171 12.3 生成判別模仿學(xué)習(xí) 171 12.3.1 生成判別網(wǎng)絡(luò) 172 12.3.2 GAIL的生成器和判別器 175 12.3.3 GAIL的訓(xùn)練 176 相關(guān)文獻(xiàn) 178 知識點(diǎn)小結(jié) 179 第四部分 多智能體強(qiáng)化學(xué)習(xí) 第 13章 并行計(jì)算 182 13.1 并行計(jì)算基礎(chǔ) 182 13.1.1 并行梯度下降 182 13.1.2 MapReduce 183 13.1.3 用 MapReduce實(shí)現(xiàn)并行梯度下降 184 13.1.4 并行計(jì)算的代價(jià) 187 13.2 同步與異步 188 13.2.1 同步算法 188 13.2.2 異步算法 189 13.2.3 同步梯度下降與異步梯度下降的對比 191 13.3 并行強(qiáng)化學(xué)習(xí) 191 13.3.1 異步并行雙Q學(xué)習(xí) 191 13.3.2 A3C：異步并行A2C 193 相關(guān)文獻(xiàn) 195 知識點(diǎn)小結(jié) 195 習(xí)題 196 第 14章 多智能體系統(tǒng) 197 14.1 常見設(shè)定 197 14.2 基本概念 199 14.2.1 專業(yè)術(shù)語 199 14.2.2 策略網(wǎng)絡(luò) 200 14.2.3 動作價(jià)值函數(shù) 200 14.2.4 狀態(tài)價(jià)值函數(shù) 201 14.3 實(shí)驗(yàn)環(huán)境 202 14.3.1 multi-agent particle world 202 14.3.2 StarCraft multi-agent challenge 204 14.3.3 Hanabi Challenge 205 相關(guān)文獻(xiàn) 206 知識點(diǎn)小結(jié) 206 第 15章 完全合作關(guān)系設(shè)定下的多智能體強(qiáng)化學(xué)習(xí) 207 15.1 完全合作關(guān)系設(shè)定下的策略學(xué)習(xí) 208 15.2 完全合作關(guān)系設(shè)定下的多智能體A2C 209 15.2.1 策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò) 209 15.2.2 訓(xùn)練和決策 211 15.2.3 實(shí)現(xiàn)中的難點(diǎn) 212 15.3 三種架構(gòu) 213 15.3.1 中心化訓(xùn)練+中心化決策 214 15.3.2 去中心化訓(xùn)練+去中心化決策 215 15.3.3 中心化訓(xùn)練+去中心化決策 217 相關(guān)文獻(xiàn) 219 知識點(diǎn)小結(jié) 220 習(xí)題 220 第 16章 非合作關(guān)系設(shè)定下的多智能體強(qiáng)化學(xué)習(xí) 221 16.1 非合作關(guān)系設(shè)定下的策略學(xué)習(xí) 222 16.1.1 非合作關(guān)系設(shè)定下的目標(biāo)函數(shù) 222 16.1.2 收斂的判別 223 16.1.3 評價(jià)策略的優(yōu)劣 223 16.2 非合作關(guān)系設(shè)定下的多智能體A2C 224 16.2.1 策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò) 224 16.2.2 算法推導(dǎo) 225 16.2.3 訓(xùn)練 226 16.2.4 決策 227 16.3 三種架構(gòu) 227 16.3.1 中心化訓(xùn)練+中心化決策 227 16.3.2 去中心化訓(xùn)練+去中心化決策 228 16.3.3 中心化訓(xùn)練+去中心化決策 229 16.4 連續(xù)控制與MADDPG 231 16.4.1 策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò) 231 16.4.2 算法推導(dǎo) 232 16.4.3 中心化訓(xùn)練 234 16.4.4 去中心化決策 236 相關(guān)文獻(xiàn) 237 知識點(diǎn)小結(jié) 237 第 17章 注意力機(jī)制與多智能體強(qiáng)化學(xué)習(xí) 238 17.1 自注意力機(jī)制 238 17.1.1 自注意力層 239 17.1.2 多頭自注意力層 241 17.2 自注意力改進(jìn)多智能體強(qiáng)化學(xué)習(xí) 242 17.2.1 不使用自注意力的狀態(tài)價(jià)值網(wǎng)絡(luò) 242 17.2.2 使用自注意力的狀態(tài)價(jià)值網(wǎng)絡(luò) 243 17.2.3 使用自注意力的動作價(jià)值網(wǎng)絡(luò) 244 17.2.4 使用自注意力的中心化策略網(wǎng)絡(luò) 244 17.2.5 總結(jié) 245 相關(guān)文獻(xiàn) 245 知識點(diǎn)小結(jié) 245 習(xí)題 246 第五部分 應(yīng)用與展望 第 18章 AlphaGo與蒙特卡洛樹搜索 248 18.1 強(qiáng)化學(xué)習(xí)眼中的圍棋 248 18.2 蒙特卡洛樹搜索 250 18.2.1 MCTS的基本思想 250 18.2.2 MCTS的四個(gè)步驟 250 18.2.3 MCTS的決策 255 18.3 訓(xùn)練策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò) 255 18.3.1 AlphaGo 2016版本的訓(xùn)練 256 18.3.2 AlphaGo Zero版本的訓(xùn)練 258 相關(guān)文獻(xiàn) 260 知識點(diǎn)小結(jié) 260 習(xí)題 261 第 19章 現(xiàn)實(shí)世界中的應(yīng)用 262 19.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索 262 19.1.1 超參數(shù)和交叉驗(yàn)證 262 19.1.2 強(qiáng)化學(xué)習(xí)方法 264 19.2 自動生成SQL語句 266 19.3 推薦系統(tǒng) 268 19.4 網(wǎng)約車調(diào)度 270 19.4.1 價(jià)值學(xué)習(xí) 271 19.4.2 派單機(jī)制 271 19.5 強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)的對比 273 19.5.1 決策是否改變環(huán)境 273 19.5.2 當(dāng)前獎勵還是長線回報(bào) 274 19.6 制約強(qiáng)化學(xué)習(xí)落地應(yīng)用的因素 275 19.6.1 所需的樣本數(shù)量過大 275 19.6.2 探索階段代價(jià)太大 276 19.6.3 超參數(shù)的影響非常大 277 19.6.4 穩(wěn)定性極差 278 知識點(diǎn)小結(jié) 279 附錄A 貝爾曼方程 281 附錄B 習(xí)題答案 283 參考文獻(xiàn) 288