第9章 強化學習方法

浙江省普通本科高?！笆奈濉敝攸c教材大語言模型通識大語言模型通識周蘇教授QQ：81505050第9章強化學習方法通過有監(jiān)督微調，大語言模型初步具備了遵循人類指令完成各類型任務的能力。然而，有監(jiān)督微調需要大量指令和對應的標準回復，而獲取大量高質量回復會耗費大量人力和時間成本。由于有監(jiān)督微調通常目標是調整參數(shù)使模型輸出與標準答案完全相同，不能從整體上對模型輸出質量進行判斷，因此，模型不能適應自然語言的多樣性，也不能解決微小變化的敏感性問題。第9章強化學習方法強化學習則將模型輸出文本作為一個整體進行考慮，其優(yōu)化目標是使模型生成高質量回復。此外，強化學習方法不依賴于人工編寫的高質量回復，其模型根據指令生成回復，獎勵模型針對所生成的回復給出質量判斷。強化學習的模型也可以生成多個答案，獎勵模型對輸出文本質量進行排序。模型通過生成回復并接收反饋進行學習。強化學習方法更適合生成式任務，也是大模型構建中必不可少的關鍵步驟。第9章強化學習方法01什么是強化學習02與無監(jiān)督和監(jiān)督學習的區(qū)別03強化學習的基礎04強化學習分類目錄/CONTENTSPART01什么是強化學習1997年，當“深藍”擊敗國際象棋世界冠軍加里·卡斯帕羅夫時，人類權威的捍衛(wèi)者把抵御的希望寄托在了圍棋上。當時，天體物理學家，也是圍棋愛好者的皮特·赫特曾預測稱：“計算機在圍棋上擊敗人類需要一百年的時間（甚至可能更久）?！钡珜嶋H上僅僅20年后，阿爾法狗（AlphaGo）就超越了人類棋手。世界冠軍柯潔說：“一年前的阿爾法狗還比較接近于人，現(xiàn)在它越來越像圍棋之神?！卑柗ü返靡嬗趯θ祟惼迨诌^去數(shù)十萬場棋局的研究以及對團隊中圍棋專家的知識提煉。9.1什么是強化學習后繼項目AlphaZero不再借助于人類輸入，它通過游戲規(guī)則自我學習，在圍棋、國際象棋和日本將棋領域中擊敗了包括人類和機器在內的所有對手。與此同時，人類選手也在各種游戲中被人工智能系統(tǒng)擊敗，包括《危險邊緣》、撲克以及電子游戲《刀塔2》《星際爭霸11》《雷神之錘3》。這些進展顯示了強化學習的巨大作用。9.1什么是強化學習強化學習的中心思想是讓智能體在環(huán)境里學習，每個行動對應于各自的獎勵。智能體通過分析數(shù)據來學習，關注不同情況下應該做怎樣的事情——這樣的學習過程和人類的自然經歷十分相似。想象一個小孩子第一次看到火，他小心地走到火邊?！じ惺艿搅藴嘏??；鹗莻€好東西（+1）。·然后，試著去摸。哇，這么燙（-1）。這個嘗試所得到的結論是，在稍遠的地方火是好的，靠得太近就不好——這就是人類的學習方式，與環(huán)境交互。強化學習也是這樣的道理。9.1.1強化學習的定義比如，智能體要學著玩一個新的游戲。強化學習過程可以用一個循環(huán)來表示：·智能體在游戲環(huán)境里獲得初始狀態(tài)S0（游戲的第一幀）；·在S0的基礎上，智能體做出第一個行動A0（如向右走）；·環(huán)境變化，獲得新的狀態(tài)S1（A0發(fā)生后的某一幀）；·環(huán)境給出第一個獎勵R1（沒死或成功：+1）。于是，這個回合輸出的就是一個由狀態(tài)、獎勵和行動組成的序列，而智能體的目標就是讓預期累積獎勵最大化。9.1.1強化學習的定義強化學習，又稱增強學習或評價學習，是機器學習的一個分支，它是一種廣泛應用于創(chuàng)建智能系統(tǒng)的模式，描述和解決智能體在與環(huán)境的交互過程中，以“試錯”方式，通過學習策略達成回報最大化或實現(xiàn)特定目標問題。強化學習側重于在線學習并試圖在探索和利用之間保持平衡，其目標是使智能體在復雜且不確定的環(huán)境中，只依靠對環(huán)境的感知和偶爾的獎勵情況下，對某項任務變得精通，使未來的獎勵最大化。9.1.1強化學習的定義強化學習基本框架主要由智能體和環(huán)境兩部分組成。在強化學習過程中，智能體與環(huán)境不斷交互。智能體在環(huán)境中獲取某個狀態(tài)后，會根據該狀態(tài)輸出一個動作，也稱為決策。動作會在環(huán)境中執(zhí)行，環(huán)境會根據智能體采取的動作，給出下一個狀態(tài)及當前動作帶來的獎勵。由于強化學習涉及的知識面廣，尤其是涵蓋了諸多數(shù)學知識，如貝爾曼方程、最優(yōu)控制等，更需要對強化學習有系統(tǒng)性的梳理與認識。需要對強化學習在機器學習領域中的定位以及與其他機器學習之間的異同進行辨析。9.1.1強化學習的定義強化學習問題主要在信息論、博弈論、自動控制等領域討論，用于解釋有限理性條件下的平衡態(tài)、設計推薦系統(tǒng)和機器人交互系統(tǒng)。一些復雜的強化學習算法在一定程度上具備解決復雜問題的通用智能，可以在圍棋和電子游戲中達到人類水平。9.1.1強化學習的定義強化學習的基本原理是：如果智能體的某個行為策略導致環(huán)境正的獎賞（強化信號），那么該智能體以后產生這個行為策略的趨勢便會加強。智能體的目標是在每個離散狀態(tài)發(fā)現(xiàn)最優(yōu)策略，以使期望的折扣獎賞最大化。強化學習發(fā)展的兩條主線，一條是心理學上模仿動物學習方式的試錯法，另一條是求解最優(yōu)控制問題，兩條主線最初是獨立發(fā)展的。試錯法二十世紀50年代末、60年代初貫穿在人工智能的發(fā)展中，一定程度上促進了強化學習的發(fā)展。9.1.2強化學習發(fā)展歷史二十世紀80年代初期，隨著人工智能的熱潮,試錯法被學者們廣泛研究。而求解最優(yōu)控制法則是利用動態(tài)規(guī)劃法求解最優(yōu)值函數(shù)，到二十世紀80年代末，基于時間差分法的第三條主線出現(xiàn)，它吸收前兩條主線的思想，奠定了現(xiàn)代強化學習在機器學習領域中的地位（見表9-1）。9.1.2強化學習發(fā)展歷史表9-1強化學習中有影響力的算法9.1.2強化學習發(fā)展歷史有理由相信，深度學習和強化學習的結合體——深度強化學習是人工智能的未來之路。智能系統(tǒng)必須能夠在沒有持續(xù)監(jiān)督信號的情況下自主學習，而深度強化學習正是其最佳代表，能夠帶來更多發(fā)展空間與想象力。9.1.2強化學習發(fā)展歷史PART02與無監(jiān)督和監(jiān)督學習的區(qū)別從嚴格意義上說，阿爾法狗程序在人機圍棋對弈中打人類圍棋大師，其中對人工智能、機器學習和深度強化學習這3種技術都有所使用，但使用得更多的還是深度強化學習。所謂深度強化學習，是在強化學習里加入深度神經網絡。例如，Q學習是利用一個傳統(tǒng)算法創(chuàng)建Q-table，幫助智能體找到下一步要采取的行動；而DQN是利用深度神經網絡來近似Q值。9.2與無監(jiān)督和監(jiān)督學習的區(qū)別機器學習方法主要分為監(jiān)督學習、無監(jiān)督學習和強化學習。強化學習和監(jiān)督學習的共同點是兩者都需要大量的數(shù)據進行學習訓練，但兩者的學習方式不盡相同，兩者所需的數(shù)據類型也有差異，監(jiān)督學習需要多樣化的標簽數(shù)據，強化學習則需要帶有回報的交互數(shù)據。9.2與無監(jiān)督和監(jiān)督學習的區(qū)別與監(jiān)督學習和無監(jiān)督學習的最大不同是，強化學習里并沒有給定的一組數(shù)據供智能體學習。環(huán)境是不斷變化的，強化學習中的智能體要在變化的環(huán)境里做出一系列動作的決策，一系列決策結合起來就是策略。強化學習就是通過不斷與環(huán)境互動（不斷試錯），更新策略的過程。9.2.1與監(jiān)督和無監(jiān)督學習的不同強化學習與監(jiān)督學習、無監(jiān)督學習不同之處具體有以下5個方面。（1）沒有監(jiān)督者，只有獎勵信號。監(jiān)督學習要基于大量作為訓練與學習目標的標注數(shù)據進行，而強化學習中沒有監(jiān)督者，它不是由已經標注好的樣本數(shù)據來告訴系統(tǒng)什么是最佳動作。換言之，智能體不能夠馬上獲得監(jiān)督信號，只是從環(huán)境的反饋中獲得獎勵信號。（2）反饋延遲。實際上是延遲獎勵，環(huán)境可能不會在每一步動作上都給與獎勵，有時候需要完成一連串的動作，甚至是完成整個任務后才能獲得獎勵。9.2.1與監(jiān)督和無監(jiān)督學習的不同（3）試錯學習。因為沒有監(jiān)督，所以沒有直接的指導信息，智能體要與環(huán)境不斷進行交互，通過試錯的方式來獲得最優(yōu)策略。（4）智能體的動作會影響其后續(xù)數(shù)據。智能體選擇不同動作會進入不同的狀態(tài)。由于強化學習基于馬爾可夫決策過程（當前狀態(tài)只與上一個狀態(tài)有關，與其他狀態(tài)無關），因此下一個時間步所獲得的狀態(tài)變化，環(huán)境的反饋也會隨之發(fā)生變化。（5）時間序列很重要。強化學習更加注重輸入數(shù)據的序列性，下一個時間步t的輸入依賴于前一個時間步t-1的狀態(tài)（即馬爾可夫屬性）。9.2.1與監(jiān)督和無監(jiān)督學習的不同強化學習在大模型上的重要作用可以概括為以下幾個方面。（1）相較于有監(jiān)督學習，強化學習更有可能考慮整體影響。有監(jiān)督學習針對單個詞元進行反饋，其目標是要求模型針對給定的輸入給出確切的答案；而強化學習針對整個輸出文本進行反饋，并不針對特定詞元。反饋粒度不同，使強化學習更適合大模型，既可以兼顧表達多樣性，又可以增強對微小變化的敏感性。自然語言十分靈活，可以用多種不同的方式表達相同的語義。9.2.2大模型環(huán)境下的強化學習有監(jiān)督學習很難支持上述學習方式，強化學習則可以允許模型給出不同的多樣性表達。另外，有監(jiān)督微調通常采用交叉熵損失作為損失函數(shù)，由于總和規(guī)則，造成這種損失對個別詞元變化不敏感。改變個別詞元只會對整體損失產生小的影響。但是，一個否定詞可以完全改變文本的整體含義。強化學習則可以通過獎勵函數(shù)同時兼顧多樣性和微小變化敏感性兩個方面。9.2.2大模型環(huán)境下的強化學習（2）強化學習更容易解決幻覺問題。用戶在大模型上主要有三類輸入：①文本型，用戶輸入相關文本和問題，讓模型基于所提供的文本生成答案（例如，“本文中提到的人名和地名有哪些”）；②求知型，用戶僅提出問題，模型根據內在知識提供真實回答（例如，“流感的常見原因是什么”）；③創(chuàng)造型，用戶提供問題或說明，讓模型進行創(chuàng)造性輸出（例如，“寫一個關于·的故事”）。有監(jiān)督學習算法非常容易使得求知型查詢產生幻覺。9.2.2大模型環(huán)境下的強化學習在模型并不包含或者知道答案的情況下，有監(jiān)督訓練仍然會促使模型給出答案。而使用強化學習方法，則可以通過定制獎勵函數(shù)，將正確答案賦予非常高的分數(shù)，將放棄回答的答案賦予中低分數(shù)，將不正確的答案賦予非常高的負分，使得模型學會依賴內部知識選擇放棄回答，從而在一定程度上緩解模型的幻覺問題。9.2.2大模型環(huán)境下的強化學習（3）強化學習可以更好地解決多輪對話獎勵累積問題。多輪對話能力是大模型重要的基礎能力之一。多輪對話是否達成最終目標，需要考慮多次交互過程的整體情況，因此很難使用有監(jiān)督學習的方法構建。而使用強化學習方法，可以通過構建獎勵函數(shù)，根據整個對話的背景及連貫性對當前模型輸出的優(yōu)劣進行判斷。9.2.2大模型環(huán)境下的強化學習一般而言，監(jiān)督學習是通過對數(shù)據進行分析，找到數(shù)據的表達模型，隨后利用該模型，在新輸入的數(shù)據上進行決策。圖9-3為監(jiān)督學習的一般方法，主要分為訓練階段和預測階段。

圖9-3監(jiān)督學習的一般方法9.2.3學習方式不同在訓練階段，首先根據原始數(shù)據進行特征提?。ā疤卣鞴こ獭保?。得到數(shù)據特征后，可以使用決策樹、隨機森林等機器學習算法去分析數(shù)據之間的關系，最終得到關于輸入數(shù)據的模型。在預測階段，同樣按照特征工程的方法抽取數(shù)據的特征，使用訓練階段得到的模型對特征向量進行預測，最終得到數(shù)據所屬的分類標簽。值得注意的是，驗證模型使用驗證集數(shù)據對模型進行反向驗證，確保模型的正確性和精度。9.2.3學習方式不同深度學習的一般方法與傳統(tǒng)機器學習中監(jiān)督學習的一般方法相比少了特征工程，從而大大降低了業(yè)務領域門檻與人力成本。

圖9-4深度學習的一般方法9.2.3學習方式不同監(jiān)督學習分為預測和訓練兩個階段，學習只能發(fā)生在訓練階段，該階段會出現(xiàn)一個監(jiān)督信號（即具有學習的能力，數(shù)學上稱為“差分信號”）。例如在語音識別任務中，需要收集大量的語音語料數(shù)據和該語料對應標注好的文本內容。有了原始的語音數(shù)據和對應的語音標注數(shù)據后，可通過監(jiān)督學習方法收集數(shù)據中的模式，例如對語音分類、判別該語音音素所對應的單詞等。9.2.3學習方式不同上述標注語音文本內容相當于一個監(jiān)督信號，等語音識別模型訓練完成后，在預測階段就不再需要該監(jiān)督信號，生成的語言識別模型僅用作新數(shù)據的預測。如果想要重新修改監(jiān)督信號，則需要對語言識別模型進行重新訓練。由于監(jiān)督學習的訓練階段非常耗時，現(xiàn)在有許多學者對遷移學習進行深入研究，以期望縮短監(jiān)督學習的訓練時間。強化學習與監(jiān)督學習截然不同，其學習過程與生物的自然學習過程非常類似。具體而言，智能體在與環(huán)境的互動過程中，通過不斷探索與試錯的方式，利用基于正/負獎勵的方式進行學習。9.2.3學習方式不同強化學習不需要像監(jiān)督學習那樣依賴先驗知識數(shù)據。例如線上游戲，越來越多的用戶使用移動終端進行游戲，使數(shù)據的獲取來源更為廣泛。比如圍棋游戲，圍棋的棋譜可以很容易得到，這些棋譜是人類玩家的動作行為記錄，如果只用監(jiān)督學習進行建模，模型學習出的對弈技能很有可能只局限在所收集的有限棋譜內。當出現(xiàn)新的下棋方式時，模型可能會因為找不到全局最優(yōu)解而使得棋力大減。9.2.4先驗知識與標注數(shù)據強化學習通過自我博弈方式產生更多的標準數(shù)據。在強化學習中，如果有基本棋譜，便可以利用系統(tǒng)自我學習和獎勵的方式，系統(tǒng)自動學習更多的棋譜或者使用兩個智能體進行互相博弈，進而為系統(tǒng)自身補充更多的棋譜信息，不受標注數(shù)據和先驗知識的限制?？傊?，強化學習可以利用較少的訓練信息，讓系統(tǒng)不斷地自主學習，自我補充更多的信息，進而免受監(jiān)督者的限制。9.2.4先驗知識與標注數(shù)據另外，可以使用遷移學習來減少標注數(shù)據的數(shù)量，因為它在一定程度上突破了監(jiān)督學習中存在的限制，提前在大量標注數(shù)據信息中提取其高維特征，從而減少后續(xù)復用模型的輸入數(shù)據。遷移學習是把已經訓練好的模型參數(shù)遷移到新的模型以幫助訓練新模型?？紤]到大部分數(shù)據或任務存在相關性，通過遷移學習可以將已經學到的模型參數(shù)（也可理解為模型學到的知識）通過某種方式分享給新模型，進而不需要從零開始學習，加快并優(yōu)化新模型的學習效率。9.2.4先驗知識與標注數(shù)據PART03強化學習的基礎強化學習的基本元素包括智能體、環(huán)境、狀態(tài)、動作和獎勵，智能體和環(huán)境間通過獎勵、狀態(tài)、動作3個信號進行交互，不斷地根據環(huán)境的反饋信息進行試錯學習。。由于其交互方式與人類和環(huán)境的交互方式類似，可以認為強化學習是一套通用的學習框架，用來解決通用人工智能問題，因此它也被稱為通用人工智能的機器學習方法。9.3強化學習的基礎在強化學習中，按智能體所處的環(huán)境，將不同的算法分成兩種類型：一種是環(huán)境已知，叫作基于模型，就是智能體已經對環(huán)境進行建模；另一種是環(huán)境未知，叫作免模型。9.3.1基于模型與免模型環(huán)境（1）基于模型的強化學習。例如，工廠載貨機器人通過傳感器感應地面上的航線來控制其行走。由于地面上的航線是事先規(guī)劃好的，工廠的環(huán)境也是可控已知的，因此可以將其視為基于模型的任務。圖9-5基于模型的任務：工廠AGV自動載重車9.3.1基于模型與免模型環(huán)境在這些方法中，智能體使用環(huán)境的轉移模型來幫助解釋獎勵信號并決定如何行動。模型最初可能是未知的，在這種情況下，智能體通過觀測其行為的影響來學習模型；或者它也可能是已知的，例如，國際象棋程序可能知道國際象棋的規(guī)則，即便它不知道如何選擇好的走法。在部分可觀測的環(huán)境中，轉移模型對于狀態(tài)估計也是很有用的。基于模型的強化學習系統(tǒng)通常會學習一個運籌學的效用（價值）函數(shù)U(s)。不過在現(xiàn)實情況下，環(huán)境的狀態(tài)轉移概率、獎勵函數(shù)往往很難提前獲取，甚至很難知道環(huán)境中一共有多少個狀態(tài)。9.3.1基于模型與免模型環(huán)境（2）無模型強化學習。例如汽車的自動駕駛系統(tǒng)，在現(xiàn)實交通環(huán)境下，很多事情是無法預先估計的，例如路人的行為、往來車輛的行走軌跡等情況，因此可以將其視為免模型的任務。在這種方式中，智能體不知道環(huán)境的轉移模型，也不會學習它。相反，它直接學習如何采取行為方式，可以使用動態(tài)規(guī)劃法求解。其中主要有以下兩種形式，動作效用函數(shù)學習和策略搜索。可以使用蒙特卡洛法和時間差分法來求解，還可以使用值函數(shù)近似、梯度策略等方法。9.3.1基于模型與免模型環(huán)境在強化學習中，“探索”的目的是找到更多有關環(huán)境的信息，而“利用”（或者說“開發(fā)”）的目的是利用已知的環(huán)境信息來使預期累積獎勵最大化。簡而言之，“探索”是嘗試新的動作行為，而“利用”則是從已知動作中選擇下一步的行動。也正因如此，有時候會陷入一種困境。例如，小老鼠可以吃到無窮多塊分散的奶酪（每塊+1），但在迷宮上方有許多堆在一起的奶酪（+1000），或者看成巨型奶酪。如果我們只關心吃了多少，小老鼠就永遠不會去找那些大奶酪。它只會在安全的地方一塊一塊地吃，這樣獎勵累積比較慢，但它不在乎。如果它跑去遠的地方，也許就會發(fā)現(xiàn)大獎的存在，但也有可能發(fā)生危險。9.3.2探索與利用例如在一些策略游戲中，探索階段玩家并不知道地圖上被遮蓋的地方到底有什么，敵人是否在那里，所以需要一個探路者游走于未知地圖區(qū)域進行探索，以便能夠獲得更多地圖相關的環(huán)境知識，便于玩家制定作戰(zhàn)策略。當開拓完地圖之后，就能全面了解地圖上的環(huán)境狀態(tài)信息。接下來玩家便可以利用探索到的信息，去找到一個最優(yōu)的作戰(zhàn)策略。9.3.2探索與利用實際上，“探索”和“利用”哪個重要，以及如何權衡兩者之間的關系，是需要深入思考的。在基于模型的環(huán)境下，已經知道環(huán)境的所有信息（環(huán)境完備信息），智能體不需要在環(huán)境中進行探索，而只要簡單利用環(huán)境中已知信息即可；可是在免模型環(huán)境下，探索和利用兩者同等重要，既需要知道更多有關環(huán)境的信息，又需要針對這些已知信息來提高獎勵。9.3.2探索與利用不過，“探索”和“利用”兩者本身是矛盾的，因為在實際運行中，算法能夠嘗試的次數(shù)是有限的，增加了探索的次數(shù)則利用次數(shù)會降低，反之亦然。這就是強化學習中的探索—利用困境。如果想要最大化累積獎勵，設計者需要設定一種規(guī)則，讓智能體能夠在探索和利用之間進行權衡。9.3.2探索與利用在求解強化學習問題時，具體還有免模型預測和免模型控制，以及基于模型預測和基于模型控制?！邦A測”的目的是驗證未來——對于一個給定的策略，智能體需要去驗證該策略能夠到達的理想狀態(tài)值，以確定該策略的好壞。而“控制”則是優(yōu)化未來——給出一個初始化策略，智能體希望基于該給定的初始化策略，找到一個最優(yōu)的策略。相比較而言，“預測”和“控制”是探索和利用的抽象詞語。預測希望在未知環(huán)境中探索更多可能的策略，然后驗證該策略的狀態(tài)值函數(shù)?？刂茖诶?，希望在未知環(huán)境中找到的策略中發(fā)現(xiàn)一個最好的。9.3.2探索與利用強化學習里的任務分兩種。（1）片段性任務。這類任務有個起點，有個終點。兩者之間有一堆狀態(tài)，一堆行動，一堆獎勵和一堆新的狀態(tài)，它們共同構成了一“集”。當一集結束，也就是到達終止狀態(tài)時，智能體會看一下獎勵累積了多少，以此評估自己的表現(xiàn)。然后，它就帶著之前的經驗開始一局新游戲。這一次，智能體做決定的依據會充分一些。9.3.3片段還是連續(xù)性任務以貓鼠迷宮為例的一集：·永遠從同一個起點開始；·如果被貓吃掉或者走了超過20步，則游戲結束；·結束時，得到一系列狀態(tài)、行動、獎勵和新狀態(tài)；·算出獎勵的總和（看看表現(xiàn)如何）；·更有經驗地開始新游戲。集數(shù)越多，智能體的表現(xiàn)會越好。9.3.3片段還是連續(xù)性任務（2）連續(xù)性任務。游戲永遠不會結束。智能體要學習如何選擇最佳的行動，和環(huán)境進行實時交互，就像自動駕駛汽車。這樣的任務是通過時間差分學習來訓練的。每一個時間步都會有總結學習，并不是等到一集結束再分析結果。9.3.3片段還是連續(xù)性任務強化學習把學習看作試探評價過程。智能體選擇一個動作用于環(huán)境，環(huán)境接受該動作后狀態(tài)發(fā)生變化，同時產生一個強化信號（獎或懲）反饋給智能體，智能體根據強化信號和環(huán)境當前狀態(tài)再選擇下一個動作，選擇的原則是使受到正強化（獎）的概率增大。選擇的動作不僅影響立即強化值，而且影響環(huán)境下一時刻的狀態(tài)及最終的強化值。強化學習系統(tǒng)使用某種隨機單元動態(tài)地調整參數(shù)，以達到強化信號最大，智能體在可能動作空間中進行搜索并發(fā)現(xiàn)正確的動作。強化學習的常見模型是標準的馬爾可夫決策過程（MDP）。9.3.4網絡模型設計強化學習的基本組成元素定義如下。（1）智能體：強化學習的本體，作為學習者或者決策者。（2）環(huán)境：強化學習智能體以外的一切，主要由狀態(tài)集組成。（3）狀態(tài)：表示環(huán)境的數(shù)據。狀態(tài)集是環(huán)境中所有可能的狀態(tài)。（4）動作：智能體可以做出的動作。動作集是智能體可以做出的所有動作。9.3.4網絡模型設計（5）獎勵：智能體在執(zhí)行一個動作后，獲得的正/負獎勵信號。獎勵集是智能體可以獲得的所有反饋信息，正/負獎勵信號亦可稱作正/負反饋信號。（6）策略：從環(huán)境狀態(tài)到動作的映射學習，該映射關系稱為策略。通俗地說，智能體選擇動作的思考過程即為策略。（7）目標：智能體自動尋找在連續(xù)時間序列里的最優(yōu)策略，這通常指最大化長期累積獎勵。9.3.4網絡模型設計在強化學習中，每一個自主體由兩個神經網絡模塊組成，即行動網絡和評估網絡。行動網絡是根據當前的狀態(tài)而決定下一個時刻施加到環(huán)境上去的最好動作。圖9-6強化學習的網絡模型設計9.3.4網絡模型設計對于行動網絡，強化學習算法允許它的輸出結點進行隨機搜索，有了來自評估網絡的內部強化信號后，行動網絡的輸出結點即可有效地完成隨機搜索，并且大大提高選擇好的動作的可能性，同時可以在線訓練整個行動網絡。用一個輔助網絡來為環(huán)境建模，評估網絡可單步和多步預報當前由行動網絡施加到環(huán)境上的動作強化信號，根據當前狀態(tài)和模擬環(huán)境預測其標量值?？梢蕴崆跋蛐袆泳W絡提供有關將候選動作的強化信號，以及更多的獎懲信息（內部強化信號），以減少不確定性并提高學習速度。9.3.4網絡模型設計進化強化學習對評估網絡使用時序差分預測方法TD和反向傳播BP算法進行學習，而對行動網絡進行遺傳操作，使用內部強化信號作為行動網絡的適應度函數(shù)。網絡運算分成兩個部分，即前向信號計算和遺傳強化計算。在前向信號計算時，對評估網絡采用時序差分預測方法，由評估網絡對環(huán)境建模，可以進行外部強化信號的多步預測，為行動網絡提供更有效的內部強化信號，使它產生更恰當?shù)男袆?。內部強化信號使行動網絡、評估網絡在每一步都可以進行學習，而不必等待外部強化信號，從而大大加速了兩個網絡的學習。9.3.4網絡模型設計以采用強化學習方法研究未知環(huán)境下機器人導航問題為例，由于環(huán)境的復雜性和不確定性，這些問題變得更為復雜，因此，在強化學習的設計中要考慮：（1）如何表示狀態(tài)空間和動作空間。（2）如何選擇建立信號以及如何通過學習來修正不同狀態(tài)－動作對的值。（3）如何根據這些值來選擇合適的動作。9.3.4網絡模型設計在標準的強化學習中，智能體作為學習系統(tǒng)，獲取外部環(huán)境的當前狀態(tài)信息，對環(huán)境采取試探行為并獲取環(huán)境反饋的對此動作的評價和新的環(huán)境狀態(tài)。如果智能體的某個動作導致環(huán)境正的獎賞（立即報酬），那么智能體以后產生這個動作的趨勢便會加強；反之，智能體產生這個動作的趨勢將減弱。在學習系統(tǒng)的控制行為與環(huán)境反饋的狀態(tài)及評價的反復交互作用中，以學習方式不斷修改從狀態(tài)到動作的映射策略，以達到優(yōu)化系統(tǒng)性能目的。學習從環(huán)境狀態(tài)到行為的映射，使得智能體選擇的行為能夠獲得環(huán)境最大的獎賞，使外部環(huán)境對學習系統(tǒng)在某種意義下的評價（或整個系統(tǒng)的運行性能）為最佳。9.3.4網絡模型設計強化學習使人們從手動構造行為和標記監(jiān)督學習所需的大量數(shù)據集（或不得不人工編寫控制策略）中解脫了出來。它在機器人技術中的應用中特別有價值，該領域需要能夠處理連續(xù)、高維、部分可觀測環(huán)境的方法，在這樣的環(huán)境中，成功的行為可能包含成千上萬的基元動作。9.3.5數(shù)據依賴性強化學習的方法有很多且錯綜復雜，這是因為并不存在一種公認的最佳方法。（1）智能體整體的設計限制了學習所需的信息類型?！せ谀Ｐ偷膹娀瘜W習智能體需要（或者配備有）環(huán)境的轉移模型，并學習效用函數(shù)?！o模型強化學習智能體可以學習一個動作效用函數(shù)或學習一個策略?；谀Ｐ秃蜔o模型方法相比，核心問題是智能體函數(shù)的最佳表示方式。隨著環(huán)境變得更加復雜，基于模型方法的優(yōu)勢將變得越發(fā)明顯。9.3.5數(shù)據依賴性（2）效用函數(shù)可以通過如下幾種方法進行學習。·直接效用估計將觀測到的總獎勵用于給定狀態(tài)，作為學習其效用的樣本直接來源?！ぷ赃m應動態(tài)規(guī)劃（ADP）從觀測中學習模型和獎勵函數(shù)，然后使用價值或策略迭代來獲得效用或最優(yōu)策略。ADP較好地利用了環(huán)境的鄰接結構作為狀態(tài)效用的局部約束。9.3.5數(shù)據依賴性·時序差分（TD）方法調整效用估計，使其與后繼狀態(tài)的效用估計相一致。它是ADP方法的一個簡單近似，且學習時不需要預先知道轉移模型。此外，使用一個學習模型來產生偽經驗可以學習得更快。9.3.5數(shù)據依賴性（3）可以通過ADP方法或TD方法學習動作效用函數(shù)。在使用TD方法時，在學習或動作選擇階段都不需要模型，簡化了學習問題，但同時潛在地限制了它在復雜環(huán)境中的學習能力，因為智能體無法模擬可能的動作過程的結果。進行動作選擇時，它必須在這些動作的價值估計的有用新信息之間進行權衡。探索問題的精確解是無法獲得的，但一些簡單的啟發(fā)式可以給出一個合理的結果。同時探索性智能體也必須注意避免過早陷入終止態(tài)。9.3.5數(shù)據依賴性（4）在大的狀態(tài)空間中，強化學習算法必須進行函數(shù)近似表示，以便在狀態(tài)空間進行泛化。深度強化學習采用深度神經網絡作為近似函數(shù)，已經在一些困難問題上取得了相當大的成功。獎勵設計和分層強化學習有助于學習復雜的行為，特別是在獎勵稀少且需要長動作序列才能獲得獎勵的情況下。（5）策略搜索方法直接對策略的表示進行操作，并試圖根據觀測到的表現(xiàn)對其進行改進，在隨機領域中，性能的劇烈變化是一個嚴重的問題，而在模擬領域中可以通過預先固定隨機程度來克服這個難點。9.3.5數(shù)據依賴性（6）難以獲得正確的獎勵函數(shù)時，通過觀測專家行為進行學徒學習是一種有效的解決方案，模仿學習將問題轉換為從專家的狀態(tài)-動作對中進行學習的監(jiān)督學習問題，逆強化學習從專家的行為中推斷有關獎勵函數(shù)的信息。9.3.5數(shù)據依賴性PART04強化學習分類在強化學習中，智能體是在沒有“老師”的情況下，通過考慮自己的最終成功或失敗，根據獎勵與懲罰，主動地從自己的經驗中學習，以使未來的獎勵最大化。按給定條件，強化學習可分為基于模式強化學習和無模式強化學習，以及主動強化學習和被動強化學習。強化學習的變體包括逆向強化學習、階層強化學習和部分可觀測系統(tǒng)的強化學習。求解強化學習問題所使用的算法可分為策略搜索算法和值函數(shù)算法兩類。在強化學習中使用深度學習模型，形成了深度強化學習。9.4強化學習分類考慮學習下國際象棋的問題。我們首先將其視為監(jiān)督學習問題。下棋智能體函數(shù)把棋盤局面作為輸入并返回對應的棋子招式，因此，我們通過為它提供關于國際象棋棋盤局面的樣本來訓練此函數(shù)，其中每個樣本都標有正確的走法。假設我們恰好有一個可用數(shù)據庫，其中包括數(shù)百萬局象棋大師的對局，每場對局都包含一系列的局面和走法。除少數(shù)例外，我們認為獲勝者的招式即便不總是完美的，但也是較好的。因此，我們得到了一個很有前途的訓練集。9.4.1從獎勵中學習現(xiàn)在的問題在于，與所有可能的國際象棋局面構成的空間（約1040個）相比，樣本相當少（約108個）。在新的對局中，人們很快就會遇到與數(shù)據庫中的局面明顯不同的局面。那么，此時經過訓練的智能體很可能會失效——不僅是因為它不知道自己下棋的目標是什么（把對手將死），它甚至不知道這些招式對棋子的局面有什么影響。當然，國際象棋只是真實世界的一小部分。對于更加實際的問題，我們需要更大的專業(yè)數(shù)據庫，而它們實際上并不存在。9.4.1從獎勵中學習取而代之的另一種選擇是使用強化學習，在這種學習中，智能體將與世界進行互動，并不時收到反映其表現(xiàn)的獎勵（強化）。例如，在國際象棋中，獲勝的獎勵為1，失敗的獎勵為0，平局的獎勵為1/2。強化學習的目標也是相同的：最大化期望獎勵總和。強化學習不同于“僅僅解決MDP（馬爾可夫決策過程）”，因為智能體沒有將MDP作為待解決的問題，智能體本身處于MDP中。它可能不知道轉移模型或獎勵函數(shù)，它必須采取行動以了解更多信息。9.4.1從獎勵中學習想象一下，你正在玩一個你不了解規(guī)則的新游戲，那么在采取若干個行動后，裁判會告訴你“你輸了”。這個簡單的例子就是強化學習的一個縮影。從人工智能系統(tǒng)設計者的角度看來，向智能體提供獎勵信號通常比提供有標簽的行動樣本要容易得多。首先，獎勵函數(shù)通常非常簡潔且易于指定；它只需幾行代碼就可以告訴國際象棋智能體這局比賽是贏了還是輸了，或者告訴賽車智能體它贏得或輸?shù)袅吮荣?，或者它崩潰了。其次，我們不必是相關領域的專家，即不需要能在任何情況下提供正確動作，但如果我們試圖應用監(jiān)督學習的方法，那么這些將是必要的。9.4.1從獎勵中學習然而，事實證明，一點點的專業(yè)知識對強化學習會有很大的幫助?？紤]國際象棋和賽車比賽的輸贏獎勵（被稱為稀疏獎勵），因為在絕大多數(shù)狀態(tài)下，智能體根本沒有得到任何有信息量的獎勵信號。在網球和板球等游戲中，我們可以輕松地為每次擊球得分與跑壘得分提供額外的獎勵。在賽車比賽中，我們可以獎勵在賽道上朝著正確方向前進的智能體。在學習爬行時，任何向前的運動都是一種進步。這些中間獎勵將使學習變得更加容易。9.4.1從獎勵中學習只要我們可以為智能體提供正確的獎勵信號，強化學習就提供了一種非常通用的構建人工智能系統(tǒng)的方法。對模擬環(huán)境來說尤其如此，因為在這種情況下，我們不乏獲得經驗的機會。在強化學習系統(tǒng)中引入深度學習作為工具，也使新的應用成為可能，其中包括從原始視覺輸入學習玩電子游戲、控制機器人以及玩紙牌游戲。9.4.1從獎勵中學習考慮一個簡單情形：有少量動作和狀態(tài)，且環(huán)境完全可觀測，其中智能體已經有了能決定其動作的固定策略。智能體將嘗試學習效用函數(shù)——從狀態(tài)出發(fā)，采用策略得到的期望總折扣獎勵，稱之為被動學習智能體。被動學習任務類似于策略評估任務，可以將其表述為直接效用估計、自適應動態(tài)規(guī)劃和時序差分學習。9.4.2被動強化學習被動學習智能體有一個固定的策略來決定其行為，而主動學習智能體可以自主決定采取