浙江省普通本科高?！笆奈濉敝攸c(diǎn)教材建設(shè)成果之一大語(yǔ)言模型基礎(chǔ)大語(yǔ)言模型基礎(chǔ)周蘇教授QQ：81505050第8章強(qiáng)化學(xué)習(xí)方法通過(guò)有監(jiān)督微調(diào)，大語(yǔ)言模型初步具備了遵循人類指令完成各類型任務(wù)的能力。然而，有監(jiān)督微調(diào)需要大量指令和對(duì)應(yīng)的高質(zhì)量的標(biāo)準(zhǔn)回復(fù)，因此會(huì)耗費(fèi)許多人力和時(shí)間成本。由于有監(jiān)督微調(diào)通常目標(biāo)是調(diào)整參數(shù)使模型輸出與標(biāo)準(zhǔn)答案完全相同，不能從整體上對(duì)模型輸出質(zhì)量進(jìn)行判斷，因此，模型不能適應(yīng)自然語(yǔ)言的多樣性，也不能解決微小變化的敏感性問(wèn)題。第8章強(qiáng)化學(xué)習(xí)方法強(qiáng)化學(xué)習(xí)則將模型輸出文本作為一個(gè)整體進(jìn)行考慮，其優(yōu)化目標(biāo)是使模型生成高質(zhì)量回復(fù)。此外，強(qiáng)化學(xué)習(xí)方法不依賴人工回復(fù)，其模型根據(jù)指令生成回復(fù)，獎(jiǎng)勵(lì)模型針對(duì)所生成的回復(fù)給出質(zhì)量判斷。強(qiáng)化學(xué)習(xí)的模型通過(guò)生成回復(fù)并接收反饋進(jìn)行學(xué)習(xí)，可以生成多個(gè)答案，獎(jiǎng)勵(lì)模型對(duì)輸出文本質(zhì)量進(jìn)行排序。模型強(qiáng)化學(xué)習(xí)方法更適合生成式任務(wù)，也是大模型構(gòu)建中必不可少的關(guān)鍵步驟。第8章強(qiáng)化學(xué)習(xí)方法01強(qiáng)化學(xué)習(xí)的概念02強(qiáng)化學(xué)習(xí)基礎(chǔ)03強(qiáng)化學(xué)習(xí)分類04深度強(qiáng)化學(xué)習(xí)目錄/CONTENTSPART01強(qiáng)化學(xué)習(xí)的概念強(qiáng)化學(xué)習(xí)的基本元素包括智能體、環(huán)境、狀態(tài)、動(dòng)作和獎(jiǎng)勵(lì)，其中，智能體和環(huán)境間通過(guò)獎(jiǎng)勵(lì)、狀態(tài)、動(dòng)作3個(gè)信號(hào)進(jìn)行交互，不斷地根據(jù)環(huán)境的反饋信息進(jìn)行試錯(cuò)學(xué)習(xí)。強(qiáng)化學(xué)習(xí)把學(xué)習(xí)看作試探評(píng)價(jià)過(guò)程。智能體選擇一個(gè)動(dòng)作用于環(huán)境，環(huán)境接受該動(dòng)作后狀態(tài)發(fā)生變化，同時(shí)產(chǎn)生一個(gè)強(qiáng)化信號(hào)（獎(jiǎng)或懲）反饋給智能體，智能體根據(jù)強(qiáng)化信號(hào)和環(huán)境當(dāng)前狀態(tài)再選擇下一個(gè)動(dòng)作，選擇的原則是使受到正強(qiáng)化（獎(jiǎng)）的概率增大。選擇的動(dòng)作不僅影響立即強(qiáng)化值，而且影響環(huán)境下一時(shí)刻的狀態(tài)及最終的強(qiáng)化值。8.1強(qiáng)化學(xué)習(xí)的概念1997年，當(dāng)“深藍(lán)”擊敗國(guó)際象棋世界冠軍加里·卡斯帕羅夫時(shí)，人們就把抵御的希望寄托在了圍棋上。當(dāng)時(shí)，天體物理學(xué)家，也是圍棋愛(ài)好者的皮特·赫特曾預(yù)測(cè)稱：“計(jì)算機(jī)在圍棋上擊敗人類需要一百年的時(shí)間（甚至可能更久）?！钡珜?shí)際上僅僅20年后，阿爾法狗（AlphaGo）就超越了人類棋手。世界冠軍柯潔說(shuō)：“一年前的阿爾法狗還比較接近于人，現(xiàn)在它越來(lái)越像圍棋之神?！卑柗ü返靡嬗趯?duì)人類棋手過(guò)去數(shù)十萬(wàn)場(chǎng)棋局的研究以及對(duì)團(tuán)隊(duì)中圍棋專家的知識(shí)的提煉。8.1.1強(qiáng)化學(xué)習(xí)的定義后繼項(xiàng)目AlphaZero不再借助于人類輸入，它通過(guò)游戲規(guī)則自我學(xué)習(xí)，在圍棋、國(guó)際象棋和日本將棋領(lǐng)域中擊敗了包括人類和機(jī)器在內(nèi)的所有對(duì)手。與此同時(shí)，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(xiǎn)邊緣》、撲克以及電子游戲《刀塔2》《星際爭(zhēng)霸11》《雷神之錘3》。這些進(jìn)展顯示了強(qiáng)化學(xué)習(xí)的巨大作用。強(qiáng)化學(xué)習(xí)讓智能體在環(huán)境里通過(guò)分析數(shù)據(jù)來(lái)學(xué)習(xí)，每個(gè)行動(dòng)對(duì)應(yīng)于各自的獎(jiǎng)勵(lì)。智能體關(guān)注不同情況下應(yīng)該做怎樣的事情——這樣的學(xué)習(xí)過(guò)程和人類的自然經(jīng)歷十分相似。8.1.1強(qiáng)化學(xué)習(xí)的定義想象一個(gè)小孩子第一次看到火，他小心地走到火邊。·感受到了溫暖?；鹗莻€(gè)好東西（+1）?！と缓?，試著去摸。哇，這么燙（-1）。這個(gè)嘗試所得到的結(jié)論是，在稍遠(yuǎn)的地方火是好的，靠得太近就不好——這是人類與環(huán)境交互的學(xué)習(xí)方式，強(qiáng)化學(xué)習(xí)也是這樣的道理。8.1.1強(qiáng)化學(xué)習(xí)的定義比如，智能體要學(xué)著玩一個(gè)新的游戲。強(qiáng)化學(xué)習(xí)過(guò)程可以用一個(gè)循環(huán)來(lái)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(chǔ)上，智能體做出第一個(gè)行動(dòng)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(gè)獎(jiǎng)勵(lì)R1（沒(méi)死或成功：+1）。于是，這個(gè)回合輸出的就是一個(gè)由狀態(tài)、獎(jiǎng)勵(lì)和行動(dòng)組成的序列，而智能體的目標(biāo)就是讓預(yù)期累積獎(jiǎng)勵(lì)最大化。8.1.1強(qiáng)化學(xué)習(xí)的定義強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它是一種廣泛應(yīng)用于創(chuàng)建智能系統(tǒng)的學(xué)習(xí)模式，在描述和解決智能體與環(huán)境的交互過(guò)程中，以“試錯(cuò)”方式，通過(guò)學(xué)習(xí)策略達(dá)成回報(bào)最大化或?qū)崿F(xiàn)特定目標(biāo)問(wèn)題。強(qiáng)化學(xué)習(xí)側(cè)重于在線學(xué)習(xí)并試圖在探索和利用之間保持平衡，其目標(biāo)是使智能體在復(fù)雜且不確定的環(huán)境中，只依靠于對(duì)環(huán)境的感知和偶爾的獎(jiǎng)勵(lì)，對(duì)某項(xiàng)任務(wù)變得精通，使未來(lái)的獎(jiǎng)勵(lì)最大化。

圖8-1強(qiáng)化學(xué)習(xí)8.1.1強(qiáng)化學(xué)習(xí)的定義強(qiáng)化學(xué)習(xí)基本框架主要由智能體和環(huán)境兩部分組成。在強(qiáng)化學(xué)習(xí)過(guò)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(gè)狀態(tài)后，會(huì)根據(jù)該狀態(tài)輸出一個(gè)動(dòng)作，也稱為決策。動(dòng)作會(huì)在環(huán)境中執(zhí)行，環(huán)境會(huì)根據(jù)智能體采取的動(dòng)作，給出下一個(gè)狀態(tài)及當(dāng)前動(dòng)作帶來(lái)的獎(jiǎng)勵(lì)。8.1.1強(qiáng)化學(xué)習(xí)的定義由于強(qiáng)化學(xué)習(xí)涉及的知識(shí)面廣，尤其是涵蓋了諸多數(shù)學(xué)知識(shí)，更需要對(duì)強(qiáng)化學(xué)習(xí)有系統(tǒng)性的梳理與認(rèn)識(shí)。強(qiáng)化學(xué)習(xí)問(wèn)題主要在信息論、博弈論、自動(dòng)控制等領(lǐng)域討論，用于解釋有限理性條件下的平衡態(tài)、設(shè)計(jì)推薦系統(tǒng)和機(jī)器人交互系統(tǒng)。一些復(fù)雜的強(qiáng)化學(xué)習(xí)算法在一定程度上具備解決復(fù)雜問(wèn)題的通用智能，可以在圍棋和電子游戲中達(dá)到人類水平。8.1.1強(qiáng)化學(xué)習(xí)的定義從嚴(yán)格意義上說(shuō)，阿爾法狗程序在人機(jī)圍棋對(duì)弈中贏了人類圍棋大師，其中深度強(qiáng)化學(xué)習(xí)起了主要的作用。所謂深度強(qiáng)化學(xué)習(xí)，就是在強(qiáng)化學(xué)習(xí)里加入深度神經(jīng)網(wǎng)絡(luò)。例如Q學(xué)習(xí)是利用傳統(tǒng)算法創(chuàng)建Q-table，幫助智能體找到下一步要采取的行動(dòng)；DQN是利用深度神經(jīng)網(wǎng)絡(luò)來(lái)近似Q值。智能系統(tǒng)必須能夠在沒(méi)有持續(xù)監(jiān)督信號(hào)的情況下自主學(xué)習(xí)，而深度強(qiáng)化學(xué)習(xí)正是其最佳代表，能夠帶來(lái)更多發(fā)展空間與想象力。8.1.1強(qiáng)化學(xué)習(xí)的定義機(jī)器學(xué)習(xí)方法主要分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)和監(jiān)督學(xué)習(xí)的共同點(diǎn)是兩者都需要大量的數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，但學(xué)習(xí)方式有所不同，所需的數(shù)據(jù)類型也有差異，監(jiān)督學(xué)習(xí)需要多樣化的標(biāo)簽數(shù)據(jù)，強(qiáng)化學(xué)習(xí)則需要帶有回復(fù)的交互數(shù)據(jù)。圖8-2機(jī)器學(xué)習(xí)領(lǐng)域中的3大分支8.1.2不同于監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)與監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)的最大不同是，強(qiáng)化學(xué)習(xí)里并沒(méi)有給定的一組數(shù)據(jù)供智能體學(xué)習(xí)。環(huán)境是不斷變化的，強(qiáng)化學(xué)習(xí)中的智能體要在變化的環(huán)境里做出一系列動(dòng)作的決策，結(jié)合起來(lái)就是策略。強(qiáng)化學(xué)習(xí)就是通過(guò)不斷與環(huán)境互動(dòng)（不斷試錯(cuò)）和更新策略的過(guò)程。8.1.2不同于監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)強(qiáng)化學(xué)習(xí)與監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)的不同之處具體有以下5個(gè)方面。（1）沒(méi)有監(jiān)督者，只有獎(jiǎng)勵(lì)信號(hào)。監(jiān)督學(xué)習(xí)基于大量作為訓(xùn)練與學(xué)習(xí)目標(biāo)的標(biāo)注數(shù)據(jù)進(jìn)行，而強(qiáng)化學(xué)習(xí)中沒(méi)有監(jiān)督者，智能體是從環(huán)境的反饋中獲得獎(jiǎng)勵(lì)信號(hào)。（2）反饋延遲。實(shí)際上是延遲獎(jiǎng)勵(lì)，環(huán)境可能不會(huì)在每一步動(dòng)作上都給予獎(jiǎng)勵(lì)，有時(shí)候需要完成一連串的動(dòng)作，甚至是完成整個(gè)任務(wù)后才能獲得獎(jiǎng)勵(lì)。8.1.2不同于監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)（3）試錯(cuò)學(xué)習(xí)。因?yàn)闆](méi)有監(jiān)督，所以沒(méi)有直接的指導(dǎo)信息，智能體要與環(huán)境不斷進(jìn)行交互，通過(guò)試錯(cuò)的方式來(lái)獲得最優(yōu)策略。（4）智能體的動(dòng)作會(huì)影響后續(xù)的數(shù)據(jù)。智能體選擇不同動(dòng)作會(huì)進(jìn)入不同的狀態(tài)。由于強(qiáng)化學(xué)習(xí)基于馬爾可夫決策過(guò)程（MDP，當(dāng)前狀態(tài)只與上一個(gè)狀態(tài)有關(guān)，與其他狀態(tài)無(wú)關(guān)），因此，根據(jù)下一個(gè)時(shí)間步獲得的狀態(tài)變化，環(huán)境的反饋也會(huì)隨之發(fā)生變化。（5）時(shí)間序列很重要。強(qiáng)化學(xué)習(xí)更加注重輸入數(shù)據(jù)的序列性，下一個(gè)時(shí)間步t的輸入依賴于前一個(gè)時(shí)間步t-1的狀態(tài)（即馬爾可夫?qū)傩裕?.1.2不同于監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)一般而言，監(jiān)督學(xué)習(xí)是通過(guò)對(duì)數(shù)據(jù)進(jìn)行分析，找到數(shù)據(jù)的表達(dá)模型，隨后利用該模型，在新輸入的數(shù)據(jù)上進(jìn)行決策，它主要分為訓(xùn)練階段和預(yù)測(cè)階段。在訓(xùn)練階段，首先根據(jù)原始數(shù)據(jù)進(jìn)行特征提?。ㄌ卣鞴こ蹋?，之后可以使用決策樹(shù)、隨機(jī)森林等機(jī)器學(xué)習(xí)算法去分析數(shù)據(jù)之間的關(guān)系，最終得到關(guān)于輸入數(shù)據(jù)的模型。在預(yù)測(cè)階段，按特征工程方法抽取數(shù)據(jù)特征，使用訓(xùn)練階段得到的模型對(duì)特征向量進(jìn)行預(yù)測(cè)，最終得到數(shù)據(jù)所屬的分類標(biāo)簽。值得注意的是，驗(yàn)證模型使用驗(yàn)證集數(shù)據(jù)對(duì)模型進(jìn)行反向驗(yàn)證，確保模型的正確性和精度。8.1.3不同于傳統(tǒng)機(jī)器學(xué)習(xí)

圖8-3監(jiān)督學(xué)習(xí)的一般方法8.1.3不同于傳統(tǒng)機(jī)器學(xué)習(xí)與監(jiān)督學(xué)習(xí)相比，深度學(xué)習(xí)的一般方法少了特征工程，從而大大降低了業(yè)務(wù)領(lǐng)域門檻與人力成本。圖8-4深度學(xué)習(xí)的一般方法8.1.3不同于傳統(tǒng)機(jī)器學(xué)習(xí)監(jiān)督學(xué)習(xí)的學(xué)習(xí)只能發(fā)生在訓(xùn)練階段，該階段會(huì)出現(xiàn)一個(gè)監(jiān)督信號(hào)（即具有學(xué)習(xí)的能力，數(shù)學(xué)上稱為“差分信號(hào)”）。例如在語(yǔ)音識(shí)別任務(wù)中，需要收集大量的語(yǔ)音語(yǔ)料數(shù)據(jù)和該語(yǔ)料對(duì)應(yīng)標(biāo)注好的文本內(nèi)容。有了原始的語(yǔ)音數(shù)據(jù)和對(duì)應(yīng)的語(yǔ)音標(biāo)注數(shù)據(jù)后，可通過(guò)監(jiān)督學(xué)習(xí)方法收集數(shù)據(jù)中的模式，例如對(duì)語(yǔ)音分類、判別該語(yǔ)音音素所對(duì)應(yīng)的單詞等。8.1.3不同于傳統(tǒng)機(jī)器學(xué)習(xí)上述標(biāo)注語(yǔ)音文本內(nèi)容相當(dāng)于一個(gè)監(jiān)督信號(hào)，訓(xùn)練完成后，預(yù)測(cè)階段不需要該監(jiān)督信號(hào)，生成的語(yǔ)言識(shí)別模型用作新數(shù)據(jù)的預(yù)測(cè)。如果想要修改監(jiān)督信號(hào)，則需要對(duì)語(yǔ)言識(shí)別模型進(jìn)行重新訓(xùn)練，但監(jiān)督學(xué)習(xí)的訓(xùn)練階段非常耗時(shí)。強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)不同，其學(xué)習(xí)過(guò)程與生物的自然學(xué)習(xí)過(guò)程非常類似。具體而言，智能體在與環(huán)境的互動(dòng)過(guò)程中，通過(guò)不斷探索與試錯(cuò)的方式，利用基于正/負(fù)獎(jiǎng)勵(lì)的方式進(jìn)行學(xué)習(xí)。8.1.3不同于傳統(tǒng)機(jī)器學(xué)習(xí)強(qiáng)化學(xué)習(xí)在大模型上的重要作用可以概括為以下幾個(gè)方面。（1）相較于監(jiān)督學(xué)習(xí)，強(qiáng)化學(xué)習(xí)更有可能考慮整體影響。監(jiān)督學(xué)習(xí)針對(duì)單個(gè)詞元進(jìn)行反饋，其目標(biāo)是要求模型針對(duì)給定的輸入給出確切的答案；而強(qiáng)化學(xué)習(xí)針對(duì)整個(gè)輸出文本進(jìn)行反饋，不針對(duì)特定詞元。反饋粒度不同，使強(qiáng)化學(xué)習(xí)更適合大模型，既可以兼顧多樣性表達(dá)，又可以增強(qiáng)對(duì)微小變化的敏感性。自然語(yǔ)言十分靈活，可以用多種不同的方式表達(dá)相同的語(yǔ)義。8.1.4大模型的強(qiáng)化學(xué)習(xí)另外，有監(jiān)督微調(diào)通常采用交叉熵?fù)p失作為損失函數(shù)，由于遵循總和規(guī)則，造成這種損失對(duì)個(gè)別詞元變化不敏感。改變個(gè)別詞元對(duì)整體損失產(chǎn)生的影響較小，而一個(gè)否定詞可以完全改變文本的整體含義。強(qiáng)化學(xué)習(xí)則可以通過(guò)獎(jiǎng)勵(lì)函數(shù)同時(shí)兼顧多樣性和微小變化敏感性兩個(gè)方面。8.1.4大模型的強(qiáng)化學(xué)習(xí)（2）強(qiáng)化學(xué)習(xí)更容易解決幻覺(jué)問(wèn)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(guān)文本和問(wèn)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(wèn)題，模型根據(jù)內(nèi)在知識(shí)提供真實(shí)回答（例如，“流感的常見(jiàn)原因是什么”）；③創(chuàng)造型，用戶提供問(wèn)題或說(shuō)明，讓模型進(jìn)行創(chuàng)造性輸出（例如，“寫一個(gè)關(guān)于·的故事”）。8.1.4大模型的強(qiáng)化學(xué)習(xí)監(jiān)督學(xué)習(xí)算法非常容易使得求知型查詢產(chǎn)生幻覺(jué)，在模型并不包含或者知道答案的情況下，有監(jiān)督訓(xùn)練仍然會(huì)促使模型給出答案。而使用強(qiáng)化學(xué)習(xí)方法，則可以通過(guò)定制獎(jiǎng)勵(lì)函數(shù)，將正確答案賦予較高的分?jǐn)?shù)，放棄回答的答案賦予中低分?jǐn)?shù)，不正確的答案賦予非常高的負(fù)分，使得模型學(xué)會(huì)依賴內(nèi)部知識(shí)選擇放棄回答，從而在一定程度上緩解模型的幻覺(jué)問(wèn)題。8.1.4大模型的強(qiáng)化學(xué)習(xí)（3）強(qiáng)化學(xué)習(xí)可以更好地解決多輪對(duì)話獎(jiǎng)勵(lì)累積問(wèn)題。多輪對(duì)話是大模型重要的基礎(chǔ)能力之一。多輪對(duì)話是否達(dá)成最終目標(biāo)，需要考慮多次交互過(guò)程的整體情況，因此很難使用監(jiān)督學(xué)習(xí)的方法來(lái)構(gòu)建。而使用強(qiáng)化學(xué)習(xí)方法，可以通過(guò)構(gòu)建獎(jiǎng)勵(lì)函數(shù)，根據(jù)整個(gè)對(duì)話的背景及連貫性對(duì)當(dāng)前模型輸出的優(yōu)劣進(jìn)行判斷。8.1.4大模型的強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)不需要像監(jiān)督學(xué)習(xí)那樣依賴先驗(yàn)知識(shí)數(shù)據(jù)。例如線上游戲，越來(lái)越多的用戶使用移動(dòng)終端進(jìn)行游戲，使數(shù)據(jù)的獲取來(lái)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(dòng)作行為記錄，如果只用監(jiān)督學(xué)習(xí)進(jìn)行建模，模型學(xué)習(xí)出的對(duì)弈技能很有可能只局限在所收集的有限棋譜內(nèi)。當(dāng)出現(xiàn)新的下棋方式時(shí)，模型可能會(huì)因?yàn)檎也坏饺肿顑?yōu)解而使得棋力大減。8.1.5先驗(yàn)知識(shí)與標(biāo)注數(shù)據(jù)強(qiáng)化學(xué)習(xí)通過(guò)自我博弈方式產(chǎn)生更多的標(biāo)準(zhǔn)數(shù)據(jù)。在強(qiáng)化學(xué)習(xí)中，如果有基本棋譜，便可以利用系統(tǒng)自我學(xué)習(xí)和獎(jiǎng)勵(lì)的方式，系統(tǒng)自動(dòng)學(xué)習(xí)更多的棋譜或者使用兩個(gè)智能體進(jìn)行互相博弈，進(jìn)而為系統(tǒng)自身補(bǔ)充更多的棋譜信息，不受標(biāo)注數(shù)據(jù)和先驗(yàn)知識(shí)的限制。強(qiáng)化學(xué)習(xí)利用較少的訓(xùn)練信息，讓系統(tǒng)不斷地自主學(xué)習(xí)，自我補(bǔ)充更多的信息，進(jìn)而免受監(jiān)督者的限制。8.1.5先驗(yàn)知識(shí)與標(biāo)注數(shù)據(jù)另外，可以使用遷移學(xué)習(xí)來(lái)減少標(biāo)注數(shù)據(jù)的數(shù)量，它在一定程度上突破了監(jiān)督學(xué)習(xí)中存在的限制，提前在大量標(biāo)注數(shù)據(jù)信息中提取高維特征，從而減少后續(xù)復(fù)用模型的輸入數(shù)據(jù)。遷移學(xué)習(xí)是把已經(jīng)訓(xùn)練好的模型參數(shù)遷移到新的模型以幫助訓(xùn)練新模型?？紤]到大部分?jǐn)?shù)據(jù)或任務(wù)存在相關(guān)性，通過(guò)遷移學(xué)習(xí)可以將已經(jīng)學(xué)到的模型參數(shù)（也可理解為模型學(xué)到的知識(shí)）通過(guò)某種方式分享給新模型，進(jìn)而不需要從零開(kāi)始學(xué)習(xí)，加快并優(yōu)化新模型的學(xué)習(xí)效率。8.1.5先驗(yàn)知識(shí)與標(biāo)注數(shù)據(jù)PART02強(qiáng)化學(xué)習(xí)基礎(chǔ)由于交互方式與人類和環(huán)境的交互方式類似，可以認(rèn)為強(qiáng)化學(xué)習(xí)是一套通用的學(xué)習(xí)框架，用來(lái)解決通用人工智能問(wèn)題，因此它也被稱為通用人工智能的機(jī)器學(xué)習(xí)方法。8.2強(qiáng)化學(xué)習(xí)基礎(chǔ)在強(qiáng)化學(xué)習(xí)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，即智能體已經(jīng)對(duì)環(huán)境建模，叫作基于模型；另一種是環(huán)境未知，叫作免模型。8.2.1基于模型與免模型環(huán)境（1）基于模型的強(qiáng)化學(xué)習(xí)。例如，工廠載貨機(jī)器人通過(guò)傳感器感應(yīng)地面上的航線來(lái)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(wù)。圖8-5基于模型的任務(wù)：工廠AGV自動(dòng)載重車8.2.1基于模型與免模型環(huán)境在這基于模型的方法中，智能體使用環(huán)境的轉(zhuǎn)移模型來(lái)幫助解釋獎(jiǎng)勵(lì)信號(hào)并決定如何行動(dòng)。模型最初可能是未知的，智能體通過(guò)觀測(cè)其行為的影響來(lái)學(xué)習(xí)模型；或者它也可能是已知的，例如，國(guó)際象棋程序可能知道國(guó)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(cè)的環(huán)境中，轉(zhuǎn)移模型對(duì)于狀態(tài)估計(jì)也是很有用的。不過(guò)在現(xiàn)實(shí)情況下，環(huán)境的狀態(tài)轉(zhuǎn)移概率、獎(jiǎng)勵(lì)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(gè)狀態(tài)。8.2.1基于模型與免模型環(huán)境（2）免模型強(qiáng)化學(xué)習(xí)。例如汽車的自動(dòng)駕駛系統(tǒng)，在現(xiàn)實(shí)交通環(huán)境下，很多事情是無(wú)法預(yù)先估計(jì)的，例如路人的行為、往來(lái)車輛的行走軌跡等情況，因此可以將其視為免模型的任務(wù)。在這種方式下，智能體不知道環(huán)境的轉(zhuǎn)移模型，相反，它直接學(xué)習(xí)如何采取行為方式，可以使用動(dòng)態(tài)規(guī)劃法求解，其中主要有動(dòng)作效用函數(shù)學(xué)習(xí)和策略搜索兩種形式，包括蒙特卡洛法、時(shí)間差分法、值函數(shù)近似、梯度策略等方法。8.2.1基于模型與免模型環(huán)境在強(qiáng)化學(xué)習(xí)中，“探索”的目的是找到更多環(huán)境信息，而“利用”（或者說(shuō)“開(kāi)發(fā)”）的目的是通過(guò)已知環(huán)境信息來(lái)使預(yù)期累積獎(jiǎng)勵(lì)最大化。也就是，“探索”是嘗試新的動(dòng)作行為，而“利用”則是從已知?jiǎng)幼髦羞x擇下一步的行動(dòng)。也正因如此，有時(shí)候會(huì)陷入一種困境。例如，小老鼠可以吃到無(wú)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。如果只關(guān)心吃了多少，小老鼠就永遠(yuǎn)不會(huì)去找那些大奶酪。它只會(huì)在安全的地方一塊一塊地吃，這樣獎(jiǎng)勵(lì)累積比較慢，但它不在乎。如果它跑去遠(yuǎn)的地方，也許就會(huì)發(fā)現(xiàn)大獎(jiǎng)的存在，但也有可能發(fā)生危險(xiǎn)。8.2.2探索與利用實(shí)際上，“探索”和“利用”哪個(gè)重要，以及如何權(quán)衡兩者之間的關(guān)系，是需要深入思考的。在基于模型的環(huán)境下，已經(jīng)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)境中探索，而只要簡(jiǎn)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(guān)環(huán)境的信息，又需要針對(duì)這些已知信息來(lái)提高獎(jiǎng)勵(lì)。8.2.2探索與利用不過(guò)，“探索”和“利用”兩者本身是矛盾的，因?yàn)樵趯?shí)際運(yùn)行中，算法能夠嘗試的次數(shù)有限，增加探索的次數(shù)則利用的次數(shù)會(huì)降低，反之亦然。這就是強(qiáng)化學(xué)習(xí)中的探索—利用困境，設(shè)計(jì)者需要設(shè)定一種規(guī)則，讓智能體能夠在探索和利用之間進(jìn)行權(quán)衡。8.2.2探索與利用在求解強(qiáng)化學(xué)習(xí)問(wèn)題時(shí)，具體還有免模型預(yù)測(cè)和免模型控制，以及基于模型預(yù)測(cè)和基于模型控制。“預(yù)測(cè)”的目的是驗(yàn)證未來(lái)——對(duì)于一個(gè)給定的策略，智能體需要去驗(yàn)證該策略能夠到達(dá)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(lái)——給出一個(gè)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(gè)最優(yōu)的策略。實(shí)際上，預(yù)測(cè)和控制是探索和利用的抽象。預(yù)測(cè)希望在未知環(huán)境中探索更多可能的策略，然后驗(yàn)證其狀態(tài)值函數(shù)?？刂茖?duì)應(yīng)于利用，希望在未知環(huán)境中找到的策略中發(fā)現(xiàn)一個(gè)最好的。8.2.2探索與利用強(qiáng)化學(xué)習(xí)的任務(wù)分為片段和連續(xù)兩種。（1）片段任務(wù)。這類任務(wù)有個(gè)起點(diǎn)和終點(diǎn)，兩者之間有一堆狀態(tài)，一堆行動(dòng)，一堆獎(jiǎng)勵(lì)和一堆新的狀態(tài)，它們共同構(gòu)成了一“集”。當(dāng)一集結(jié)束，也就是到達(dá)終止?fàn)顟B(tài)時(shí)，智能體會(huì)看一下獎(jiǎng)勵(lì)累積了多少，以此評(píng)估自己的表現(xiàn)，然后就帶著之前的經(jīng)驗(yàn)開(kāi)始一局新游戲，并且智能體做決定的依據(jù)會(huì)更充分一些。8.2.3片段還是連續(xù)任務(wù)以貓鼠迷宮的一集為例：·永遠(yuǎn)從同一個(gè)起點(diǎn)開(kāi)始；·如果被貓吃掉或者走了超過(guò)20步，則游戲結(jié)束；·結(jié)束時(shí)得到一系列狀態(tài)、行動(dòng)、獎(jiǎng)勵(lì)和新?tīng)顟B(tài)；·算出獎(jiǎng)勵(lì)的總和（看看表現(xiàn)如何）；·更有經(jīng)驗(yàn)地開(kāi)始新游戲。集數(shù)越多，智能體的表現(xiàn)會(huì)越好。8.2.3片段還是連續(xù)任務(wù)（2）連續(xù)任務(wù)。游戲永遠(yuǎn)不會(huì)結(jié)束。智能體要學(xué)習(xí)如何選擇最佳的行動(dòng)，和環(huán)境進(jìn)行實(shí)時(shí)交互，就像自動(dòng)駕駛汽車。這樣的任務(wù)是通過(guò)時(shí)間差分學(xué)習(xí)來(lái)訓(xùn)練的，每一個(gè)時(shí)間步都會(huì)有總結(jié)學(xué)習(xí)，并不是等到一集結(jié)束再分析結(jié)果。8.2.3片段還是連續(xù)任務(wù)強(qiáng)化學(xué)習(xí)的基本組成元素定義如下。（1）智能體：強(qiáng)化學(xué)習(xí)的本體，作為學(xué)習(xí)者或者決策者。（2）環(huán)境：強(qiáng)化學(xué)習(xí)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(jù)。狀態(tài)集是環(huán)境中所有可能的狀態(tài)。（4）動(dòng)作：智能體可以做出的動(dòng)作。動(dòng)作集是智能體可以做出的所有動(dòng)作。8.2.4網(wǎng)絡(luò)模型設(shè)計(jì)（5）獎(jiǎng)勵(lì)：智能體在執(zhí)行一個(gè)動(dòng)作后，獲得的正/負(fù)獎(jiǎng)勵(lì)信號(hào)。獎(jiǎng)勵(lì)集是智能體可以獲得的所有反饋信息，正/負(fù)獎(jiǎng)勵(lì)信號(hào)亦可稱作正/負(fù)反饋信號(hào)。（6）策略：從環(huán)境狀態(tài)到動(dòng)作的映射學(xué)習(xí)，該映射關(guān)系稱為策略。通俗地說(shuō)，智能體選擇動(dòng)作的思考過(guò)程即為策略。（7）目標(biāo)：智能體自動(dòng)尋找在連續(xù)時(shí)間序列里的最優(yōu)策略，這通常指最大化長(zhǎng)期累積獎(jiǎng)勵(lì)。8.2.4網(wǎng)絡(luò)模型設(shè)計(jì)在強(qiáng)化學(xué)習(xí)中，每一個(gè)自主體由兩個(gè)神經(jīng)網(wǎng)絡(luò)模塊組成，即行動(dòng)網(wǎng)絡(luò)和評(píng)估網(wǎng)絡(luò)。行動(dòng)網(wǎng)絡(luò)是根據(jù)當(dāng)前的狀態(tài)而決定下一個(gè)時(shí)刻施加到環(huán)境上去的最好動(dòng)作。圖8-6強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)模型設(shè)計(jì)8.2.4網(wǎng)絡(luò)模型設(shè)計(jì)對(duì)于行動(dòng)網(wǎng)絡(luò)，強(qiáng)化學(xué)習(xí)算法允許它的輸出結(jié)點(diǎn)進(jìn)行隨機(jī)搜索，有了來(lái)自評(píng)估網(wǎng)絡(luò)的內(nèi)部強(qiáng)化信號(hào)后，行動(dòng)網(wǎng)絡(luò)的輸出結(jié)點(diǎn)即可有效地完成隨機(jī)搜索，并且大大提高選擇好的動(dòng)作的可能性，同時(shí)可以在線訓(xùn)練整個(gè)行動(dòng)網(wǎng)絡(luò)。用一個(gè)輔助網(wǎng)絡(luò)來(lái)為環(huán)境建模，評(píng)估網(wǎng)絡(luò)可單步和多步預(yù)報(bào)當(dāng)前由行動(dòng)網(wǎng)絡(luò)施加到環(huán)境上的動(dòng)作強(qiáng)化信號(hào)，根據(jù)當(dāng)前狀態(tài)和模擬環(huán)境預(yù)測(cè)其標(biāo)量值?？梢蕴崆跋蛐袆?dòng)網(wǎng)絡(luò)提供有關(guān)將候選動(dòng)作的強(qiáng)化信號(hào)，以及更多的獎(jiǎng)懲信息（內(nèi)部強(qiáng)化信號(hào)），以減少不確定性并提高學(xué)習(xí)速度。8.2.4網(wǎng)絡(luò)模型設(shè)計(jì)強(qiáng)化學(xué)習(xí)使人們從手動(dòng)構(gòu)造行為和標(biāo)記監(jiān)督學(xué)習(xí)所需的大量數(shù)據(jù)集（或不得不人工編寫控制策略）中解脫了出來(lái)，它在機(jī)器人技術(shù)中的應(yīng)用中特別有價(jià)值，該領(lǐng)域需要能夠處理連續(xù)、高維、部分可觀測(cè)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(wàn)的基元?jiǎng)幼鳌?.2.4網(wǎng)絡(luò)模型設(shè)計(jì)PART03強(qiáng)化學(xué)習(xí)分類強(qiáng)化學(xué)習(xí)中，智能體在沒(méi)有“老師”的情況下，通過(guò)考慮自己的最終成功或失敗，根據(jù)獎(jiǎng)勵(lì)與懲罰，主動(dòng)地從自己的經(jīng)驗(yàn)中學(xué)習(xí)，以使未來(lái)的獎(jiǎng)勵(lì)最大化。按給定條件，除了基于模型和免模型，還有主動(dòng)和被動(dòng)強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)的變體包括逆向強(qiáng)化學(xué)習(xí)、階層強(qiáng)化學(xué)習(xí)和部分可觀測(cè)系統(tǒng)的強(qiáng)化學(xué)習(xí)。求解強(qiáng)化學(xué)習(xí)問(wèn)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(qiáng)化學(xué)習(xí)中使用深度學(xué)習(xí)模型，形成深度強(qiáng)化學(xué)習(xí)。8.3強(qiáng)化學(xué)習(xí)分類考慮學(xué)習(xí)下國(guó)際象棋的問(wèn)題。我們首先來(lái)考慮監(jiān)督學(xué)習(xí)。下棋智能體函數(shù)把棋盤局面作為輸入并返回對(duì)應(yīng)的棋子招式，因此，通過(guò)為它提供關(guān)于國(guó)際象棋棋盤局面的樣本來(lái)訓(xùn)練此函數(shù)，其中每個(gè)樣本都標(biāo)有正確的走法。假設(shè)我們恰好有一個(gè)可用數(shù)據(jù)庫(kù)，其中包括數(shù)百萬(wàn)局象棋大師的對(duì)局，每場(chǎng)對(duì)局都包含一系列的局面和走法。除少數(shù)例外，一般認(rèn)為獲勝者的招式即便不總是完美的，但也是較好的，因此得到一個(gè)很有前途的訓(xùn)練集。8.3.1從獎(jiǎng)勵(lì)中學(xué)習(xí)問(wèn)題在于，與所有可能的國(guó)際象棋局面構(gòu)成的空間（約1040個(gè)）相比，樣本相當(dāng)少（約108個(gè)）。在新的對(duì)局中，人們很快就會(huì)遇到與數(shù)據(jù)庫(kù)中明顯不同的局面，此時(shí)經(jīng)過(guò)訓(xùn)練的智能體很可能會(huì)失效——不僅是因?yàn)樗恢雷约合缕宓哪繕?biāo)是什么（把對(duì)手將死），它甚至不知道這些招式對(duì)棋子的局面有什么影響。當(dāng)然，國(guó)際象棋只是真實(shí)世界的一小部分。對(duì)于更加實(shí)際的問(wèn)題，需要更大的專業(yè)數(shù)據(jù)庫(kù)，而它們實(shí)際上并不存在。8.3.1從獎(jiǎng)勵(lì)中學(xué)習(xí)取而代之的另一種選擇是使用強(qiáng)化學(xué)習(xí)，在這種學(xué)習(xí)中，智能體與世界進(jìn)行互動(dòng)，并不時(shí)收到反映其表現(xiàn)的獎(jiǎng)勵(lì)（強(qiáng)化）。例如，在國(guó)際象棋中，獲勝的獎(jiǎng)勵(lì)為1，失敗的獎(jiǎng)勵(lì)為0，平局的獎(jiǎng)勵(lì)為1/2。強(qiáng)化學(xué)習(xí)的目標(biāo)也是相同的：最大化期望獎(jiǎng)勵(lì)總和。想象一下你正在玩一個(gè)你不了解規(guī)則的新游戲，那么在采取若干個(gè)行動(dòng)后，裁判會(huì)告訴“你輸了”。這個(gè)簡(jiǎn)單例子就是強(qiáng)化學(xué)習(xí)的一個(gè)縮影。8.3.1從獎(jiǎng)勵(lì)中學(xué)習(xí)從設(shè)計(jì)者的角度來(lái)看，向智能體提供獎(jiǎng)勵(lì)信號(hào)通常比提供有標(biāo)簽的行動(dòng)樣本要容易得多。首先，獎(jiǎng)勵(lì)函數(shù)通常非常簡(jiǎn)潔且易于指定；它只需幾行代碼就可以告訴國(guó)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(guān)領(lǐng)域的專家，即不需要能在任何情況下提供正確動(dòng)作，但如果試圖應(yīng)用監(jiān)督學(xué)習(xí)的方法，那么這些將是必要的。8.3.1從獎(jiǎng)勵(lì)中學(xué)習(xí)事實(shí)證明，一點(diǎn)點(diǎn)的專業(yè)知識(shí)對(duì)強(qiáng)化學(xué)習(xí)會(huì)有很大的幫助?？紤]國(guó)際象棋和賽車比賽的輸贏獎(jiǎng)勵(lì)（被稱為稀疏獎(jiǎng)勵(lì)），因?yàn)樵诮^大多數(shù)狀態(tài)下，智能體根本沒(méi)有得到任何有信息量的獎(jiǎng)勵(lì)信號(hào)。網(wǎng)球和板球等游戲中可以輕松地為每次擊球得分與跑壘得分提供額外的獎(jiǎng)勵(lì)。在賽車比賽中，可以獎(jiǎng)勵(lì)在賽道上朝著正確方向前進(jìn)的智能體。在學(xué)習(xí)爬行時(shí)，任何向前的運(yùn)動(dòng)都是一種進(jìn)步。這些中間獎(jiǎng)勵(lì)將使學(xué)習(xí)變得更加容易。8.3.1從獎(jiǎng)勵(lì)中學(xué)習(xí)只要可以為智能體提供正確的獎(jiǎng)勵(lì)信號(hào)，強(qiáng)化學(xué)習(xí)就提供了一種非常通用的構(gòu)建人工智能系統(tǒng)的方法。對(duì)模擬環(huán)境來(lái)說(shuō)尤其如此，因?yàn)樵谶@種情況下，我們不乏獲得經(jīng)驗(yàn)的機(jī)會(huì)。在強(qiáng)化學(xué)習(xí)系統(tǒng)中引入深度學(xué)習(xí)作為工具，也使新的應(yīng)用成為可能，其中包括從原始視覺(jué)輸入學(xué)習(xí)玩電子游戲、控制機(jī)器人以及玩紙牌游戲。8.3.1從獎(jiǎng)勵(lì)中學(xué)習(xí)考慮一個(gè)簡(jiǎn)單情形：有少量動(dòng)作和狀態(tài)，且環(huán)境完全可觀測(cè)，其中智能體已經(jīng)有了能決定其動(dòng)作的固定策略。智能體將嘗試學(xué)習(xí)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(jiǎng)勵(lì)，稱之為被動(dòng)學(xué)習(xí)智能體。被動(dòng)學(xué)習(xí)任務(wù)類似于策略評(píng)估任務(wù)，可以將其表述為直接效用估計(jì)、自適應(yīng)動(dòng)態(tài)規(guī)劃和時(shí)序差分學(xué)習(xí)。8.3.2被動(dòng)與主動(dòng)強(qiáng)化學(xué)習(xí)被動(dòng)學(xué)習(xí)智能體用固定策略來(lái)決定其行為，而主動(dòng)學(xué)習(xí)智能體可以自主決定采取什么動(dòng)作。從自適應(yīng)動(dòng)態(tài)規(guī)劃智能體入手，考慮如何對(duì)它進(jìn)行修改以利用這種新的自由度。智能體首先需要學(xué)習(xí)一個(gè)完整的轉(zhuǎn)移模型，其中包含所有動(dòng)作可能導(dǎo)致的結(jié)果及概率，而不僅僅是固定策略下的模型。8.3.2被動(dòng)與主動(dòng)強(qiáng)化學(xué)習(xí)假設(shè)效用函數(shù)可以用表格形式表示，其中每個(gè)狀態(tài)有一個(gè)輸出值。這種方法適用于狀態(tài)多達(dá)106的狀態(tài)空間，這對(duì)處在二維網(wǎng)格環(huán)境中的玩具模型來(lái)說(shuō)足夠了。但在有更多狀態(tài)的現(xiàn)實(shí)環(huán)境中，其收斂速度會(huì)很慢。西洋雙陸棋比大多數(shù)真實(shí)世界的應(yīng)用簡(jiǎn)單，但它的狀態(tài)已經(jīng)多達(dá)約1020個(gè)。我們不可能為了學(xué)習(xí)如何玩游戲而簡(jiǎn)單地訪問(wèn)每一個(gè)狀態(tài)。8.3.3學(xué)徒學(xué)習(xí)一些領(lǐng)域過(guò)于復(fù)雜，以至于很難在其中定義強(qiáng)化學(xué)習(xí)所需的獎(jiǎng)勵(lì)函數(shù)。例如，我們到底想讓自動(dòng)駕駛汽車做什么？當(dāng)然，希望它到達(dá)目的地花費(fèi)的時(shí)間不要大長(zhǎng)，但它也不應(yīng)開(kāi)得大快，以免帶來(lái)不必要的危險(xiǎn)或超速罰單；它應(yīng)該節(jié)省能源；它應(yīng)該避免碰撞或由于突然變速給乘客帶來(lái)的劇烈晃動(dòng)，但它仍可以在緊急情況下猛踩利車，等等，為這些因素分配權(quán)重比較困難。更糟糕的是，人們幾乎必然會(huì)忘記一些重要的因素，例如它有義務(wù)為其他司機(jī)著想。忽略一個(gè)因素通常會(huì)導(dǎo)致學(xué)習(xí)系統(tǒng)為被忽略的因素分配一個(gè)極端值，在這種情況下，汽車可能會(huì)為了使剩余的因素最大化而進(jìn)行極不負(fù)責(zé)任的駕駛。8.3.3學(xué)徒學(xué)習(xí)一種解決問(wèn)題的方法是在模擬中進(jìn)行大量的測(cè)試并關(guān)注有問(wèn)題的行為，再嘗試通過(guò)修改獎(jiǎng)勵(lì)函數(shù)以消除這些行為。另一種解決方法是尋找有關(guān)適合的獎(jiǎng)勵(lì)函數(shù)的其他信息來(lái)源。這種信息來(lái)源之一是獎(jiǎng)勵(lì)函數(shù)已經(jīng)完成優(yōu)化（或幾乎完成優(yōu)化）的智能體的行為，在這個(gè)例子中來(lái)源可以是專業(yè)的人類駕駛員。學(xué)徒學(xué)習(xí)研究這樣的問(wèn)題：在提供一些對(duì)專家行為觀測(cè)的基礎(chǔ)上，如何讓學(xué)習(xí)表現(xiàn)得較好。以專業(yè)駕駛算法為例，告訴學(xué)習(xí)者“像這樣去做”。至少有兩種方法來(lái)解決學(xué)徒學(xué)習(xí)問(wèn)題。8.3.3學(xué)徒學(xué)習(xí)第一種方法：假設(shè)環(huán)境是可觀測(cè)的，對(duì)觀測(cè)到的狀態(tài)—?jiǎng)幼鲗?duì)應(yīng)用監(jiān)督學(xué)習(xí)方法以學(xué)習(xí)其中的策略，這被稱作模仿學(xué)習(xí)。它在機(jī)器人技術(shù)方面取得了成果，但也面臨學(xué)習(xí)較為脆弱這類問(wèn)題：訓(xùn)練集中的微小誤差將隨著時(shí)間累積增長(zhǎng)，并最終導(dǎo)致學(xué)習(xí)失敗。并且，模仿學(xué)習(xí)最多只能復(fù)現(xiàn)教師的表現(xiàn)，而不能超越。模仿學(xué)習(xí)者常常不明白為什么它應(yīng)該執(zhí)行指定的動(dòng)作。8.3.3學(xué)徒學(xué)習(xí)第二種方法旨在理解原因：觀察專家的行為（和結(jié)果狀態(tài)），并試圖找出專家最大化的獎(jiǎng)勵(lì)函數(shù)，然后可以得到一個(gè)關(guān)于這個(gè)獎(jiǎng)勵(lì)函數(shù)的最優(yōu)策略。人們期望這種方法能從相對(duì)較少的專家行為樣本中得到較為健壯的策略，畢竟強(qiáng)化學(xué)習(xí)本身是基于獎(jiǎng)勵(lì)函數(shù)（而不是策略或價(jià)值函數(shù)）是對(duì)任務(wù)最簡(jiǎn)潔、最健壯和可遷移的定義這樣一種想法的。此外，如果學(xué)習(xí)者恰當(dāng)?shù)乜紤]了專家可能存在的次優(yōu)問(wèn)題，那么通過(guò)優(yōu)化真實(shí)獎(jiǎng)勵(lì)函數(shù)的某個(gè)較為精確的近似函數(shù)，學(xué)習(xí)者可能會(huì)比專家表現(xiàn)得更好。我們稱該方法為逆強(qiáng)化學(xué)習(xí)：通過(guò)觀察策略來(lái)學(xué)習(xí)獎(jiǎng)勵(lì)，而不是通過(guò)觀察獎(jiǎng)勵(lì)來(lái)學(xué)習(xí)策略。8.3.3學(xué)徒學(xué)習(xí)PART04深度強(qiáng)化學(xué)習(xí)對(duì)于強(qiáng)化學(xué)習(xí)來(lái)說(shuō)，很多實(shí)際應(yīng)用問(wèn)題的輸入數(shù)據(jù)是高維的，比如，對(duì)于自動(dòng)駕駛算法，要根據(jù)當(dāng)前的畫(huà)面決定汽車的行駛方向和速度。在機(jī)器學(xué)習(xí)和強(qiáng)化學(xué)習(xí)領(lǐng)域，Q函數(shù)是一個(gè)非常重要的概念，特別是在強(qiáng)化學(xué)習(xí)的Q學(xué)習(xí)（Q-learning）算法中。Q函數(shù)是用來(lái)評(píng)估在給定狀態(tài)下采取特定動(dòng)作的預(yù)期累積獎(jiǎng)勵(lì)的函數(shù)，它是狀態(tài)-動(dòng)作值函數(shù)的一種。8.4深度強(qiáng)化學(xué)習(xí)Q函數(shù)（Q(s,a)）表示在狀態(tài)(s)下采取動(dòng)作(a)后，從當(dāng)前狀態(tài)開(kāi)始，按照某一策略進(jìn)行下去預(yù)期所能獲得的總回報(bào)的折現(xiàn)值。簡(jiǎn)單說(shuō)，它衡量了某個(gè)狀態(tài)下執(zhí)行某動(dòng)作的好壞。Q函數(shù)通過(guò)不斷更新來(lái)學(xué)習(xí)最優(yōu)策略。8.4深度強(qiáng)化學(xué)習(xí)在Q學(xué)習(xí)中，有兩種常用的動(dòng)作選擇策略：①貪心策略：總是選擇最大Q值的動(dòng)作。②ε-貪婪策略：以ε的概率隨機(jī)選擇動(dòng)作，1-ε的概率選擇當(dāng)前最大Q值的動(dòng)作，這樣既探索又利用。Q學(xué)習(xí)的最終目標(biāo)是學(xué)習(xí)一個(gè)最優(yōu)策略，即在任意狀態(tài)下選擇動(dòng)作，使得長(zhǎng)期獎(jiǎng)勵(lì)最大化。通過(guò)不斷迭代更新Q函數(shù)，最終收斂到最優(yōu)Q函數(shù)，進(jìn)而找到最優(yōu)策略。它結(jié)合探索與利用，平衡了學(xué)習(xí)過(guò)程中的立即獎(jiǎng)勵(lì)與未來(lái)收益。8.4深度強(qiáng)化學(xué)習(xí)Q學(xué)習(xí)需要列