很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒埪?lián)系：鳥哥筆記小羽毛（ngbjxym）
作者：蓮石東路@烏森
心之所向，無界成長。從底層架構(gòu)到應(yīng)用實(shí)戰(zhàn)，聊聊煉數(shù)成金背后的故事。
持續(xù)更新數(shù)據(jù)治理、數(shù)據(jù)科學(xué)、數(shù)據(jù)可視化、空間計算系列文章。
前幾天的一則新聞非常有意思。說的是2021年的美洲杯帆船賽上，新西蘭酋長隊利用強(qiáng)化學(xué)習(xí)測試水翼設(shè)計，他們稱之為“AI水手”?！盇I水手”在模擬器里學(xué)習(xí)如何應(yīng)對風(fēng)速和風(fēng)向，學(xué)習(xí)調(diào)整14種不同的風(fēng)帆和控制船只，經(jīng)過不斷的試錯迭代，只用了八周時間就從一個什么都不懂的小白成長到戰(zhàn)勝人類水手的水平。
有了”經(jīng)驗(yàn)豐富”的”AI水手”的幫助，新西蘭酋長隊迭代設(shè)計的速度提升了十倍，得以用指數(shù)級速度測試更多船體設(shè)計并實(shí)現(xiàn)了性能優(yōu)勢，衛(wèi)冕帆船賽的冠軍。
這畫面是不是很眼熟，沒錯，就跟阿爾法狗戰(zhàn)勝人類頂級圍起棋手那回一樣，計算機(jī)再次用算力優(yōu)勢在一個領(lǐng)域里超越了人類。強(qiáng)化學(xué)習(xí)證明了自己在游戲以外領(lǐng)域的價值，幫助人們提升了設(shè)計工業(yè)產(chǎn)品的速度。
強(qiáng)化學(xué)習(xí)其實(shí)不是個新鮮概念了，只不過過去是被深度學(xué)習(xí)領(lǐng)域的CV、NLP等熱門技術(shù)掩蓋，現(xiàn)在重新被關(guān)注了而已。
那么，它具體是干什么的？簡而言之，就是”自學(xué)成才”。
還是以Alpha Go舉例。早期采用監(jiān)督學(xué)習(xí)的 Alpha Go，需要輸入大量人類棋手的下法、對弈棋局等數(shù)據(jù)，不斷學(xué)習(xí)下法，也就是說，它是在“模仿”人類。但無論怎么模仿，它終究還是難以真正超越人類。到了采取了強(qiáng)化學(xué)習(xí)的Alpha Go Zero 的版本，它就不再對著人類的玩法照貓畫虎了。了解到基本的規(guī)則以及最終要達(dá)到的目標(biāo)后，就開始“隨便下”，如果下贏了，就會得到獎勵，然后指導(dǎo)下一步的決策；如果輸了，就會有懲罰。在這種嘗試——反饋——學(xué)習(xí)的過程中，完成自我進(jìn)化。
對比于監(jiān)督學(xué)習(xí)，強(qiáng)化學(xué)習(xí)的優(yōu)勢在于：無需在前期就輸入大量數(shù)據(jù)，可以自我迭代完成學(xué)習(xí)的過程。對于許多場景來說，我們并沒有太多可以參照的數(shù)據(jù)，而且有些小的變動都有可能會導(dǎo)致過去的經(jīng)驗(yàn)沒法直接套用，監(jiān)督式的機(jī)器學(xué)習(xí)算法，學(xué)無可學(xué)。
正因?yàn)閺?qiáng)化學(xué)習(xí)更接近于人類的思維模式，也難怪強(qiáng)化學(xué)習(xí)之父Richard Sutton說：” 我相信，從某種意義上講，強(qiáng)化學(xué)習(xí)是人工智能的未來?！?/p>
學(xué)會下圍棋只是強(qiáng)化學(xué)習(xí)開始，在產(chǎn)業(yè)界落地才是AI技術(shù)真正價值的所在。
好了，閑話不多說，下面來介紹一些強(qiáng)化學(xué)習(xí)的入門知識。
強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個領(lǐng)域，強(qiáng)調(diào)如何基于環(huán)境而行動，以取得最大化的預(yù)期利益。其靈感來源于心理學(xué)中的行為主義理論，即有機(jī)體如何在環(huán)境給予的獎勵或懲罰的刺激下，逐步形成對刺激的預(yù)期，產(chǎn)生能獲得最大利益的習(xí)慣性行為。在維基百科對強(qiáng)化學(xué)習(xí)的定義為：受到行為心理學(xué)的啟發(fā)，強(qiáng)化學(xué)習(xí)主要關(guān)注智能體如何在環(huán)境中采取不同的行動，以最大限度地提高累積獎勵。
就本質(zhì)來說，強(qiáng)化學(xué)習(xí)是要解決做決策的問題，也就是自動決策問題，且可以連續(xù)做決策。
強(qiáng)化學(xué)習(xí)包含四個元素：智能體（agent），環(huán)境，行動/動作，獎勵。
下面給出強(qiáng)化學(xué)習(xí)四大元素的定義：
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。
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。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)。
行動/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。
獎勵：智能體在執(zhí)行一個動作后，獲得的正/負(fù)獎勵信號。獎勵集是智能體可以獲得所有反饋信息，正/負(fù)獎勵信號亦可稱作正/負(fù)反饋信號。
強(qiáng)化學(xué)習(xí)是從環(huán)境狀態(tài)到動作的映射學(xué)習(xí)，該映射關(guān)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。
智能體自動尋找在連續(xù)時間序列里的最優(yōu)策略，而最優(yōu)策略通常指最大化長期累積獎勵。
可見，強(qiáng)化學(xué)習(xí)實(shí)際上是智能體在與環(huán)境進(jìn)行交互的過程中，學(xué)會最佳決策序列。
強(qiáng)化學(xué)習(xí)通常分為兩種，一種是無模型的，另一種是基于模型的。
無模型強(qiáng)化學(xué)習(xí)直接為參與者生成策略，所有的環(huán)境知識都嵌入到這個策略中。
① 策略梯度算法
策略梯度算法修改代理的策略以跟蹤那些為其帶來更高獎勵的操作。這使這些算法符合策略，因此它們只能從算法內(nèi)采取的操作中學(xué)習(xí)。
用于連接主義強(qiáng)化學(xué)習(xí)的簡單統(tǒng)計梯度跟蹤算法--1992年：提出了政策梯度的概念，提出了系統(tǒng)地增加產(chǎn)生高回報的行為的可能性的核心思想。
② 基于價值的算法
基于價值的算法會根據(jù)給定狀態(tài)的感知價值來修改代理策略。這使得這些算法脫離策略，因?yàn)榇砜梢酝ㄟ^從任何策略中讀取獎勵函數(shù)來更新其內(nèi)部狀態(tài)結(jié)構(gòu)。
Q學(xué)習(xí)--1992年：Q學(xué)習(xí)是現(xiàn)代強(qiáng)化學(xué)習(xí)中基于價值的經(jīng)典方法，其中代理存儲每個動作狀態(tài)對的感知值，然后通知策略動作。
深度Q網(wǎng)絡(luò)（DQN）--2015年：深度Q學(xué)習(xí)僅應(yīng)用神經(jīng)網(wǎng)絡(luò)來模擬Q函數(shù)的每個動作和狀態(tài)，這可以節(jié)省大量的計算資源，并有可能擴(kuò)展到連續(xù)的時間動作空間。
③ Actor-Critic算法
行為者批判算法將基于策略和基于價值的方法結(jié)合在一起--通過對價值（critic）和行為（actor）使用單獨(dú)的網(wǎng)絡(luò)近似值。這兩個網(wǎng)絡(luò)相互配合，使彼此規(guī)范化并有望獲得更穩(wěn)定的結(jié)果。
Actor-Critic算法--2000年：提出了用兩個單獨(dú)的但相互交織的模型來生成控制策略的想法。
信任區(qū)域政策優(yōu)化（TRPO）--2015年：基于actor critic途徑，TRPO的作者希望在每個訓(xùn)練迭代中調(diào)整策略的變化，他們引入了一個關(guān)于KL散度的硬約束，即新策略分布中的信息變化。使用約束而不是懲罰，在實(shí)踐中允許更大的訓(xùn)練步驟和更快的收斂。
近端政策優(yōu)化（PPO）--2017年：PPO是對TRPO的改進(jìn)，相較于之前的TRPO方法更加易于實(shí)現(xiàn)。
深度確定性策略梯度（DDPG）--2016年：DDPG將Q學(xué)習(xí)與策略梯度更新規(guī)則結(jié)合在一起，允許Q學(xué)習(xí)應(yīng)用于許多連續(xù)控制環(huán)境。
雙延遲深度確定性策略梯度（TD3）--2018年：TD3在DDPG的基礎(chǔ)上進(jìn)行了3個主要更改：1）同時學(xué)習(xí)兩個Q函數(shù)，采用較低的Bellman估計值以減少方差；2）與Q函數(shù)相比，更新策略的頻率更低；3）向目標(biāo)操作添加噪音，以降低攻擊性策略。
Soft Actor Critic（SAC）--2018年：為了在機(jī)器人實(shí)驗(yàn)中使用無模型的RL，作者希望提高樣本效率，數(shù)據(jù)收集的廣度和勘探的安全性。他們使用基于熵的RL來控制探索，并使用DDPG樣式Q函數(shù)逼近進(jìn)行連續(xù)控制。
隨著樣本復(fù)雜度下降和結(jié)果上升，許多人對無模型強(qiáng)化學(xué)習(xí)的應(yīng)用感到非常興奮。最近的研究已將這些方法的越來越多的部分用于物理實(shí)驗(yàn)，這使廣泛使用的機(jī)器人的前景更近了一步。
基于模型的強(qiáng)化學(xué)習(xí)嘗試建立環(huán)境知識，并利用這些知識采取明智的措施。
學(xué)習(xí)控制的概率推斷（PILCO）--2011：它提出了一種基于高斯過程（GP）的策略搜索方法。
帶有軌跡采樣的概率集成（PETS）--2018：PETS將三個部分組合成一個功能算法：
1）由多個隨機(jī)初始化的神經(jīng)網(wǎng)絡(luò)組成的動力學(xué)模型（模型集合）；
2）基于粒子的傳播算法；
3）和簡單模型預(yù)測控制器。
基于模型的元策略優(yōu)化（MB-MPO）--2018年：使用元學(xué)習(xí)來選擇集成中哪個動態(tài)模型最能優(yōu)化策略并減少模型偏差。這種元優(yōu)化允許MBRL在更低的樣本中更接近于漸進(jìn)的無模型性能。
模型集成信任區(qū)域策略優(yōu)化（ME-TRPO）--2018年：ME-TRPO是TRPO在模型集成上的應(yīng)用，該模型集成被認(rèn)為是環(huán)境的基本事實(shí)。對無模型版本的一個細(xì)微的添加是策略訓(xùn)練的停止條件，只有在策略迭代時，一定比例的模型不再看到改進(jìn)時才會停止。
近年來，基于模型的強(qiáng)化學(xué)習(xí)有很多令人興奮的應(yīng)用，例如四軸飛行器和步行機(jī)器人。
-END-
本文為作者獨(dú)立觀點(diǎn)，不代表鳥哥筆記立場，未經(jīng)允許不得轉(zhuǎn)載。
《鳥哥筆記版權(quán)及免責(zé)申明》 如對文章、圖片、字體等版權(quán)有疑問，請點(diǎn)擊 反饋舉報
我們致力于提供一個高質(zhì)量內(nèi)容的交流平臺。為落實(shí)國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評論自律管理，為了保護(hù)用戶創(chuàng)造的內(nèi)容、維護(hù)開放、真實(shí)、專業(yè)的平臺氛圍，我們團(tuán)隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內(nèi)容進(jìn)行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護(hù)法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進(jìn)行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權(quán)，破壞國家統(tǒng)一，損害國家榮譽(yù)和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽(yù)、榮譽(yù)；
4)宣揚(yáng)恐怖主義、極端主義或者煽動實(shí)施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團(tuán)結(jié)；
6)破壞國家宗教政策，宣揚(yáng)邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚(yáng)淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結(jié)社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽(yù)、隱私和其他合法權(quán)益；
11)通過網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對未成年人實(shí)施侮辱、誹謗、威脅或者惡意損害未成年人形象進(jìn)行網(wǎng)絡(luò)欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻(xiàn)內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實(shí)，損害他人名譽(yù)；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進(jìn)行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應(yīng)，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進(jìn)行負(fù)面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗(yàn)、擾亂本網(wǎng)站秩序的內(nèi)容，或進(jìn)行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶點(diǎn)擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營銷內(nèi)容，如通過偽造經(jīng)歷、冒充他人等方式進(jìn)行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗(yàn)的細(xì)節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚(yáng)低俗、庸俗、媚俗內(nèi)容。
5. 不實(shí)信息，主要表現(xiàn)為：
1)可能存在事實(shí)性錯誤或者造謠等內(nèi)容；
2)存在事實(shí)夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機(jī)構(gòu)或個人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運(yùn)、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對具體風(fēng)水等問題進(jìn)行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運(yùn)勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標(biāo)題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導(dǎo)用戶；
2)內(nèi)容與標(biāo)題之間存在嚴(yán)重不實(shí)或者原意扭曲；
3)使用夸張標(biāo)題，內(nèi)容與標(biāo)題嚴(yán)重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導(dǎo)未成年人應(yīng)援集資、高額消費(fèi)、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點(diǎn)」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的；
2)不當(dāng)評述自然災(zāi)害、重大事故等災(zāi)難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當(dāng)一個用戶發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將依據(jù)相關(guān)用戶違規(guī)情節(jié)嚴(yán)重程度，對帳號進(jìn)行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺管理經(jīng)驗(yàn)的不斷豐富，本網(wǎng)站出于維護(hù)本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進(jìn)行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)