最近学习了Reinforcement Learning部分内容，体会到其中的某些观点非常富有哲学意味。以下用RL代替Reinforcement Learning。
先放结论，免得因为太长而一拉到底。
- RL从数学原理上解释了学习的本质，自我学习与借鉴他人经验，向优秀的人学习，两者的关联和差别。
- RL指出了向自己特别遥远的榜样和偶像学习，不如像身边和自己比较类似的人学习。
- RL解释了好的老师因材施教，把自己的知识和经验传递给学生的过程。
增强学习的一些基本内容
增强学习的空间可以表示为一个五元组<S, A, R, P, gamma>
S：Agent的state的空间
A：Agent的action的集合
R：R(a_t, s_t) Agent在状态s_t采取Action a_t时获取的reward。
P：P(s_t+1 | s_t, a_t) Agent的状态转移矩阵，在状态s_t下采取a_t下转移到状态s_t+1的概率。它是潜在而不可变的，在deep reinforcement learning中我们可能不需要求解它。
gamma： reward的衰减，这里就不展开讨论它了。
我们的观察是一个一个的episode， e_i = <s0, a0, s1, a1, ..., sn>。一个episode可以理解为从最开始s0状态采取了action a0，到达s1，然后一直到终止状态sn的过程。
RL的训练目标是最大化reward的期望。
RL要求解的是在任何状态下该如何决策， π(a_t|s_t) 就是当我们处于s_t的情况下，采取哪种action。
RL的求解思路一般有两种，第一种是基于E[V(s)]，或者E[Q(s,a)]，(V(s) 和 Q(s,a) )这里就不解释了，RL的基本介绍里都有)，这是一种间接的思路，经典算法是Q-Learning，在状态s_t下，根据Q(s_t, a_i)的值，最大的作为action。
π(a_t|s_t) = argmax a_i (Q(s_t, a_i))。
另一种直接的思路是直接计算 π(a_t|s_t) ， 经典的算法是Policy Gradient。
除了这两种，还有更fancy的hybrid方法是结合了V(s)的计算和Policy Gradient， 比如A2C和A3C，在很多场景下会有更好的效果。
好了，这里不是讲哲学嘛，RL的公式到此为止。
现在新冠隔离在家，管理严厉的时候出不了小区的门，唯一的活动场所就是小区的篮球场了，所以过年的时间里经常跑去投投篮(戴着口罩哦～)。对于投篮这样的场景，我就是这个Agent，每一次投篮，从举球，瞄准，出手，到进和不进作为反馈，类似于RL的学习模型，如果进那么就加深这个流程的每个环节，如果不进，按照Policy Gradient的思路，对于整体过程的每个环节，会有一个discount，也许你在整个环节其他部分都执行的非常完美，就是眼睛是歪的瞄不准，现实中你也没法投的很准，理论上RL也是学习不了的。假设一个人最终是能达到一个更好的状态的，对于这一次失败，可能各个好的环节下会有一个discount，但是假设有足够多的训练样本下，其他成功的案例终究会证明这些环节是有益的，会带来正的reward。
好了，这就是RL的学习过程。在这个过程中，会有比较强的bias，有可能训练出各种奇奇怪怪的投篮姿势，倒马桶式，三八式，可能会能达到很好的命中率，但是实战中没人会使用这些，压根没出手的空间。我们如何避免学习出奇怪的投篮姿势，有什么学习的方法呢。
1. On Policy vs Off Policy
这里提到的两个概念，不禁要问这俩是什么鬼？
On Policy表达的是agent只能够从自身历史中学习，一个agent自身投了1000次，进了100个(比如我，咩～)，那这个agent就能够根据这些历史，使用on policy的算法，比如policy gradient，学习投篮这个动作。
Off Policy则表示的是agent不光能从自身的历史数据中学习，还能够通过观察别人投篮，来学会投篮。比如通过观看NBA比赛，看Slam Dunk，学习职业篮球运动员的投篮，上篮动作（甚至学灌篮动作，咩）。也可以通过身边姿势比较标准，命中率高的球友来学习。并且Off Policy不一定从好榜样中学习，也能够从bad case学。如经典算法DQN，通过把历史数据保存在replay buffer中，在训练过程中随机sample，不需要通过完整的episode就能够学习，是一种典型的Off Policy的算法。
再通过李宏毅老师生动的例子的明确一下这两者的区别，第一种是阿光自己和佐为对弈，是On Policy，第二种是阿光在佐为的指导下下棋，实际下棋的是佐为，是Off Policy。
image.png
2. Importance Sampling
到目前为止，没有什么特殊的，那么Off Policy和On Policy有什么本质的区别？
某一方面优秀的人，我们称之为榜样，我们向他们学习。我们之前的常识告诉我们，我们生活的世界，并不能完全靠模仿别人的成功经验获取成功的，但是不妨碍借鉴到我们自身；现实中有大量现成的书本案例资源，Off Policy是比On Policy容易获取多的多，怎么利用它们，把On Policy转化为Off Policy学习。
这里的实际意义比如驾驶，教一个agent开车，agent不需要出现很多次的车毁人亡才能学会开车，而是通过学理论以及在驾校师傅指导下适量实践就能学会。这和RL有什么关联呢？这里就需要引入Importance Sampling。 下面是我以前的其他ppt里关于importance sampling的公式。
Importance Sampling 主要的思想是要在某个很难采样的分布p(θ)下采样θ，求f(θ)的期望，可以转化为另一个方便采样的函数q(θ)，采样q(θ)，并做适当的变换，这样计算出来的E([f(θ)])不变。（方差是有变化的）
image.png
特别需要指出的是，之前已经讲过训练的目标，翻译成白话，是使得我们自己的policy，π(a_t|s_t) 的期望Reward最大，如果转换为观察别人行为来学习，按照importance sampling的观点，期望当中必须增加一项 p(at | st, θ) / q(at | st, θ)的修正项，才能使得我们基于别人的经验才能够作用到我们自己身上。下面一页ppt是从李宏毅老师的课程中截取的关于importance sampling在RL目标函数下的变换。
image.png
也就是说，“榜样”的知识/技能/方法论 结合到我们自身身上时，会有一个偏差，当一个人和“榜样”接触不够密切(样本不足够充分时)，学习到的variance会很大，比如上学时看到一个学霸整天和自己玩在一块儿，成绩却始终不如学霸，于是把原因归纳到智商，可实际上学霸回家以后还在学习，这就是样本不充分导致学习产生错误的结论的例子。
这里关于IS的性质再解释几点：
- p和q如果相差太大，会带来非常大的variance，也就是非常不稳定，需要更多的样本来训练。解释到投篮这个具体案例来说，看NBA的高水平运动员学习投篮，不如向水平接近的球友来学习，因为p和q两个分布差别太大了，而身边的人则和自己的分布非常相近。 实际上，在更新一点的模型，比如PPO(proximal policy gradient) 中也体现了这一思想，PPO是两大RL研究所之一的Open AI提到默认的RL实现，在很多场景下能达到非常优秀的训练效果。PPO的主要思路是在目标函数中增加了p和q两个分布的KL散度，来使得p和q尽量保持一致。
- 同样的，这个观点可以扩展到通用的学习当中，看一些鸡汤的文章，或者名人传记，从RL的观点来看，不如观察身边优秀的同学或者同事，向他们学习一些好习惯或者为人做事思路方法，这些对个人提升会更实际一些。
- 一个好的老师，就代表选择一个q分布，来逼近学生原有的p分布，并且随着学生的p分布变化，不断的更新自己的q分布，这个说的比较抽象，按照李宏毅老师最喜欢举的《麒麟王》(也就是大陆翻译的《棋魂》)的例子，阿光在棋力还不足的时候，Sai在大马步飞和小马步飞之间让阿光选择小马步飞，因为此时阿光还驾驭不好大马步飞，得到的reward的期望可能还不如走小马步飞；而当阿光棋力提升以后，Sai就更建议使用大马步飞了。这个实际上更类似于actor critic的观点。（下面这张图是拒绝性采样的图了，我想表达的是选择好的q，使得q尽可能接近于p，懒的画新的图了）。
image.png
结束语
本来就想把过年看的reinforcement learning的一些感悟记下来，结果写得还是太杂了，想到哪里就写到哪里，对于RL理解的不太深，欢迎批评指正。
就这样把，Ca va！
引用和推荐：
Karpathy讲解policy gradient
李宏毅老师的课程
Importance Sampling
RL的基本概念
RL比较新的成果
网友评论