深度强化学习

本书基于备受读者推崇的王树森“深度强化学习”系列公开视频课，专门解决“入门深度强化学习难”的问题。

本书的独特之处在于：，知识精简，剔除一切不必要的概念和公式，学起来轻松；第二，内容新颖，聚焦近10年深度强化学习领域的突破，让你一上手就紧跟技术。本书系统讲解深度强化学习的原理与实现，但不回避数学公式和各种模型，原创100多幅精美插图，并以全彩印刷展示。简洁清晰的语言 生动形象的图示，助你扫除任何可能的学习障碍！本书内容分为五部分：基础知识、价值学习、策略学习、多智能体强化学习、应用与展望，涉及DQN、A3C、TRPO、DDPG、AlphaGo等。

本书面向深度强化学习入门读者，助你构建完整的知识体系。学完本书，你能够轻松看懂深度强化学习的实现代码、读懂该领域的论文、听懂学术报告，具备进一步自学和深挖的能力。

王树森 现任小红书基础模型团队负责人，从事搜索和推荐算法研发工作。从浙江大学获得计算机学士和博士学位，就读期间获得“微软学者”和“百度奖学金”等多项荣誉。在加入小红书之前，曾任美国加州大学伯克利分校博士后、美国史蒂文斯理工学院助理教授、博导。在机器学习、强化学习、数值计算、分布式计算等方向有多年科研经验，在计算机国际期刊和会议上发表30多篇论文。 在YouTube、B站开设“深度强化学习”“深度学习”“推荐系统”公开课（ID：Shusen Wang），全网视频播放量100万次。 黎彧君 华为诺亚方舟实验室高级研究员，主要从事AutoML相关的研发工作。上海交通大学博士，研究方向为数值优化、强化学习；攻读博士学位期间曾前往普林斯顿大学访问一年。共同翻译出版“花书”《深度学习》。 张志华 北京大学数学科学学院教授。此前先后执教于浙江大学和上海交通大学，任计算机科学教授。主要从事统计学、机器学习与计算机科学领域的研究和教学。曾主讲“统计机器学习”“机器学习导论”“深度学习”“强化学习”，其课程视频广受欢迎。

序言 i

前言 v

常用符号 xi

第 一部分 基础知识

第 1章 机器学习基础 2

1.1 线性模型 2

1.1.1 线性回归 2

1.1.2 逻辑斯谛回归 4

1.1.3 softmax分类器 7

1.2 神经网络 10

1.2.1 全连接神经网络 10

1.2.2 卷积神经网络 11

1.3 梯度下降和反向传播 12

1.3.1 梯度下降 13

1.3.2 反向传播 14

知识点小结 16

习题 16

第 2章 蒙特卡洛方法 18

2.1 随机变量 18

2.2 蒙特卡洛方法实例 21

2.2.1 例一：近似π值 21

2.2.2 例二：估算阴影部分面积 23

2.2.3 例三：近似定积分 25

2.2.4 例四：近似期望 26

2.2.5 例五：随机梯度 27

知识点小结 29

习题 29

第3章 强化学习基本概念 31

3.1 马尔可夫决策过程 31

3.1.1 状态、动作、奖励 31

3.1.2 状态转移 32

3.2 策略 33

3.3 随机性 35

3.4 回报与折扣回报 37

3.4.1 回报 37

3.4.2 折扣回报 37

3.4.3 回报中的随机性 38

3.4.4 有限期MDP和无限期MDP 39

3.5 价值函数 39

3.5.1 动作价值函数 40

3.5.2 动作价值函数 40

3.5.3 状态价值函数 41

3.6 实验环境：OpenAI Gym 42

知识点小结 44

习题 44

第二部分 价值学习

第4章 DQN与Q学习 48

4.1 DQN 48

4.1.1 概念回顾 48

4.1.2 DQN表达式 49

4.1.3 DQN的梯度 50

4.2 TD算法 50

4.2.1 驾车时间预测示例 50

4.2.2 TD算法的原理 51

4.3 用TD训练DQN 53

4.3.1 算法推导 53

4.3.2 训练流程 55

4.4 Q 学习算法 57

4.4.1 表格形式的Q学习 57

4.4.2 算法推导 57

4.4.3 训练流程 58

4.5 同策略与异策略 59

相关文献 60

知识点小结 61

习题 61

第5章 SARSA算法 63

5.1 表格形式的SARSA 63

5.1.1 算法推导 63

5.1.2 训练流程 64

5.1.3 Q学习与SARSA的对比 65

5.2 神经网络形式的SARSA 66

5.2.1 价值网络 66

5.2.2 算法推导 66

5.2.3 训练流程 67

5.3 多步TD目标 68

5.3.1 算法推导 68

5.3.2 多步TD目标的原理 69

5.3.3 训练流程 70

5.4 蒙特卡洛方法与自举 70

5.4.1 蒙特卡洛方法 71

5.4.2 自举 71

5.4.3 蒙特卡洛方法和自举的对比 72

相关文献 73

知识点小结 73

习题 74

第6章 价值学习高级技巧 75

6.1 经验回放 75

6.1.1 经验回放的优点 76

6.1.2 经验回放的局限性 76

6.1.3 优先经验回放 77

6.2 高估问题及解决方法 79

6.2.1 自举导致偏差传播 79

6.2.2 化导致高估 80

6.2.3 高估的危害 81

6.2.4 使用目标网络 82

6.2.5 双Q学习算法 84

6.2.6 总结 85

6.3 对决网络 86

6.3.1 优势函数 86

6.3.2 对决网络的结构 87

6.3.3 解决不性 88

6.3.4 对决网络的实际实现 89

6.4 噪声网络 90

6.4.1 噪声网络的原理 90

6.4.2 噪声DQN 91

6.4.3 训练流程 93

相关文献 94

知识点小结 94

习题 94

第三部分 策略学习

第7章 策略梯度方法 98

7.1 策略网络 98

7.2 策略学习的目标函数 99

7.3 策略梯度定理 101

7.3.1 简化证明 101

7.3.2 严格证明 102

7.3.3 近似策略梯度 106

7.4 REINFORCE 107

7.4.1 简化推导 108

7.4.2 训练流程 108

7.4.3 严格推导 109

7.5 actor-critic 110

7.5.1 价值网络 110

7.5.2 算法推导 111

7.5.3 训练流程 114

7.5.4 用目标网络改进训练 114

相关文献 115

知识点小结 115

习题 116

第8章 带基线的策略梯度方法 117

8.1 策略梯度中的基线 117

8.1.1 基线的引入 117

8.1.2 基线的直观解释 118

8.2 带基线的REINFORCE算法 119

8.2.1 策略网络和价值网络 120

8.2.2 算法推导 121

8.2.3 训练流程 121

8.3 advantage actor-critic 122

8.3.1 算法推导 123

8.3.2 训练流程 125

8.3.3 用目标网络改进训练 126

8.4 证明带基线的策略梯度定理 127

知识点小结 128

习题 128

第9章 策略学习高级技巧 129

9.1 置信域策略优化 129

9.1.1 置信域方法 129

9.1.2 策略学习的目标函数 132

9.1.3 算法推导 133

9.1.4 训练流程 135

9.2 策略学习中的熵正则 135

相关文献 138

知识点小结 138

第 10章 连续控制 139

10.1 连续空间的离散化 139

10.2 深度确定性策略梯度 140

10.2.1 策略网络和价值网络 140

10.2.2 算法推导 142

10.3 深入分析DDPG 145

10.3.1 从策略学习的角度看待DDPG 145

10.3.2 从价值学习的角度看待DDPG 146

10.3.3 DDPG的高估问题 147

10.4 双延迟深度确定性策略梯度 148

10.4.1 高估问题的解决方案——目标网络 148

10.4.2 高估问题的解决方案——截断双Q学习 148

10.4.3 其他改进点 149

10.4.4 训练流程 150

10.5 随机高斯策略 151

10.5.1 基本思路 152

10.5.2 随机高斯策略网络 153

10.5.3 策略梯度 154

10.5.4 用REINFORCE学习参数 155

10.5.5 用actor-critic学习参数 155

相关文献 157

知识点小结 157

第 11章 对状态的不完全观测 158

11.1 不完全观测问题 158

11.2 循环神经网络 159

11.3 基于RNN的策略网络 161

相关文献 162

知识点小结 163

习题 163

第 12章 模仿学习 165

12.1 行为克隆 165

12.1.1 连续控制问题 165

12.1.2 离散控制问题 166

12.1.3 行为克隆与强化学习的对比 168

12.2 逆向强化学习 169

12.2.1 IRL的基本设定 169

12.2.2 IRL的基本思想 170

12.2.3 从黑箱策略反推奖励 170

12.2.4 用奖励函数训练策略网络 171

12.3 生成判别模仿学习 171

12.3.1 生成判别网络 172

12.3.2 GAIL的生成器和判别器 175

12.3.3 GAIL的训练 176

相关文献 178

知识点小结 179

第四部分 多智能体强化学习

第 13章 并行计算 182

13.1 并行计算基础 182

13.1.1 并行梯度下降 182

13.1.2 MapReduce 183

13.1.3 用 MapReduce实现并行梯度下降 184

13.1.4 并行计算的代价 187

13.2 同步与异步 188

13.2.1 同步算法 188

13.2.2 异步算法 189

13.2.3 同步梯度下降与异步梯度下降的对比 191

13.3 并行强化学习 191

13.3.1 异步并行双Q学习 191

13.3.2 A3C：异步并行A2C 193

相关文献 195

知识点小结 195

习题 196

第 14章 多智能体系统 197

14.1 常见设定 197

14.2 基本概念 199

14.2.1 专业术语 199

14.2.2 策略网络 200

14.2.3 动作价值函数 200

14.2.4 状态价值函数 201

14.3 实验环境 202

14.3.1 multi-agent particle world 202

14.3.2 StarCraft multi-agent challenge 204

14.3.3 Hanabi Challenge 205

相关文献 206

知识点小结 206

第 15章 完全合作关系设定下的多智能体强化学习 207

15.1 完全合作关系设定下的策略学习 208

15.2 完全合作关系设定下的多智能体A2C 209

15.2.1 策略网络和价值网络 209

15.2.2 训练和决策 211

15.2.3 实现中的难点 212

15.3 三种架构 213

15.3.1 中心化训练 中心化决策 214

15.3.2 去中心化训练 去中心化决策 215

15.3.3 中心化训练 去中心化决策 217

相关文献 219

知识点小结 220

习题 220

第 16章 非合作关系设定下的多智能体强化学习 221

16.1 非合作关系设定下的策略学习 222

16.1.1 非合作关系设定下的目标函数 222

16.1.2 收敛的判别 223

16.1.3 评价策略的优劣 223

16.2 非合作关系设定下的多智能体A2C 224

16.2.1 策略网络和价值网络 224

16.2.2 算法推导 225

16.2.3 训练 226

16.2.4 决策 227

16.3 三种架构 227

16.3.1 中心化训练 中心化决策 227

16.3.2 去中心化训练 去中心化决策 228

16.3.3 中心化训练 去中心化决策 229

16.4 连续控制与MADDPG 231

16.4.1 策略网络和价值网络 231

16.4.2 算法推导 232

16.4.3 中心化训练 234

16.4.4 去中心化决策 236

相关文献 237

知识点小结 237

第 17章 注意力机制与多智能体强化学习 238

17.1 自注意力机制 238

17.1.1 自注意力层 239

17.1.2 多头自注意力层 241

17.2 自注意力改进多智能体强化学习 242

17.2.1 不使用自注意力的状态价值网络 242

17.2.2 使用自注意力的状态价值网络 243

17.2.3 使用自注意力的动作价值网络 244

17.2.4 使用自注意力的中心化策略网络 244

17.2.5 总结 245

相关文献 245

知识点小结 245

习题 246

第五部分 应用与展望

第 18章 AlphaGo与蒙特卡洛树搜索 248

18.1 强化学习眼中的围棋 248

18.2 蒙特卡洛树搜索 250

18.2.1 MCTS的基本思想 250

18.2.2 MCTS的四个步骤 250

18.2.3 MCTS的决策 255

18.3 训练策略网络和价值网络 255

18.3.1 AlphaGo 2016版本的训练 256

18.3.2 AlphaGo Zero版本的训练 258

相关文献 260

知识点小结 260

习题 261

第 19章 现实世界中的应用 262

19.1 神经网络结构搜索 262

19.1.1 超参数和交叉验证 262

19.1.2 强化学习方法 264

19.2 自动生成SQL语句 266

19.3 推荐系统 268

19.4 网约车调度 270

19.4.1 价值学习 271

19.4.2 派单机制 271

19.5 强化学习与监督学习的对比 273

19.5.1 决策是否改变环境 273

19.5.2 当前奖励还是长线回报 274

19.6 制约强化学习落地应用的因素 275

19.6.1 所需的样本数量过大 275

19.6.2 探索阶段代价太大 276

19.6.3 超参数的影响非常大 277

19.6.4 稳定性极差 278

知识点小结 279

附录A 贝尔曼方程 281

附录B 习题答案 283

参考文献 288

本书基于备受读者推崇的王树森“深度强化学习”系列公开视频课，专门解决“入门深度强化学习难”的问题。

本书的独特之处在于：，知识精简，剔除一切不必要的概念和公式，学起来轻松；第二，内容新颖，聚焦近10年深度强化学习领域的突破，让你一上手就紧跟技术。本书系统讲解深度强化学习的原理与实现，但不回避数学公式和各种模型，原创100多幅精美插图，并以全彩印刷展示。简洁清晰的语言 生动形象的图示，助你扫除任何可能的学习障碍！本书内容分为五部分：基础知识、价值学习、策略学习、多智能体强化学习、应用与展望，涉及DQN、A3C、TRPO、DDPG、AlphaGo等。

本书面向深度强化学习入门读者，助你构建完整的知识体系。学完本书，你能够轻松看懂深度强化学习的实现代码、读懂该领域的论文、听