深入淺出強化學習：編程實戰(zhàn)

第0 篇 先導篇 ......... 1
1 一個極其簡單的強化學習實例 .................................. 2
1.1 多臂賭博機 ..................... 2
1.1.1 e - greedy策略 .... 3
1.1.2 玻爾茲曼策略 ...... 6
1.1.3 UCB 策略 ............. 7
1.2 多臂賭博機代碼實現(xiàn) ..... 7
2 馬爾可夫決策過程 .............. 13
2.1 從多臂賭博機到馬爾可夫決策過程 ............... 13
2.2 馬爾可夫決策過程代碼實現(xiàn) ........................... 23

第1 篇 基于值函數(shù)的方法 .......................... 31
3 基于動態(tài)規(guī)劃的方法 ........... 32
3.1 策略迭代與值迭代 ....... 32
3.1.1 策略迭代算法原理 ................................ 33
3.1.2 值迭代算法原理 35
3.2 策略迭代和值迭代的代碼實現(xiàn) ....................... 36
3.2.1 鴛鴦環(huán)境的修改 36
3.2.2 策略迭代算法代碼實現(xiàn) ........................ 37
3.2.3 值迭代算法代碼實現(xiàn) ............................ 41
4 基于蒙特卡洛的方法 ........... 45
4.1 蒙特卡洛算法原理 ....... 46
4.2 蒙特卡洛算法的代碼實現(xiàn) ............................... 49
4.2.1 環(huán)境類的修改和蒙特卡洛算法類的聲明 ................................ 49
4.2.2 探索初始化蒙特卡洛算法實現(xiàn) ............ 52
4.2.3 同策略蒙特卡洛算法實現(xiàn) .................... 56
5 基于時間差分的方法 ........... 62
5.1 從動態(tài)規(guī)劃到時間差分強化學習 ................... 62
5.2 時間差分算法代碼實現(xiàn) ................................... 66
5.2.1 時間差分算法類的聲明 ........................ 66
5.2.2 SARSA 算法 ...... 67
5.2.3 Q-Learning 算法 70
6 基于函數(shù)逼近的方法 ........... 74
6.1 從表格型強化學習到線性函數(shù)逼近強化學習 74
6.1.1 表格特征表示 .... 74
6.1.2 固定稀疏表示 .... 75
6.1.3 參數(shù)的訓練 ........ 76
6.2 基于線性函數(shù)逼近的Q-Learning 算法實現(xiàn) ... 76
6.3 非線性函數(shù)逼近DQN 算法代碼實現(xiàn) ............. 85

第2 篇 直接策略搜索的方法 ...................... 95
7 策略梯度方法 ..................... 96
7.1 算法基本原理及代碼架構 ............................... 96
7.1.1 策略的表示問題 97
7.1.2 隨機策略梯度的推導 ............................ 98
7.1.3 折扣累積回報 .... 99
7.1.4 代碼架構 .......... 101
7.2 離散動作：CartPole 實例解析及編程實戰(zhàn) ... 103
7.2.1 CartPole 簡介 ... 103
7.2.2 問題分析及MDP 模型 ....................... 104
7.2.3 采樣類的Python 源碼實現(xiàn) ................. 105
7.2.4 策略網(wǎng)絡模型分析 .............................. 106
7.2.5 策略網(wǎng)絡類的Python 源碼實現(xiàn) ......... 108
7.2.6 策略網(wǎng)絡的訓練與測試 ....................... 110
7.2.7 用策略梯度法求解Cartpole 的主函數(shù) ................................... 112
7.2.8 CartPole 仿真環(huán)境開發(fā) ........................ 113
7.3 連續(xù)動作Pendulum 實例解析及編程實戰(zhàn) .... 117
7.3.1 Pendulum 簡介 .. 118
7.3.2 采樣類的Python 源代碼實現(xiàn) .............. 118
7.3.3 策略網(wǎng)絡模型分析 .............................. 120
7.3.4 策略網(wǎng)絡類的Python 源碼實現(xiàn) ......... 121
7.3.5 策略網(wǎng)絡的訓練與測試 ...................... 125
7.3.6 用策略梯度法求解Pendulum 的主函數(shù) ................................ 126
7.3.7 Pendulum 仿真環(huán)境開發(fā) ..................... 127
8 Actor-Critic 方法 ............... 131
8.1 Actor-Critic 原理及代碼架構 ......................... 131
8.1.1 Actor-Critic 基本原理 .......................... 131
8.1.2 Actor-Critic 算法架構 .......................... 133
8.2 TD-AC 算法 ................ 133
8.2.1 采樣類的Python 源碼 ......................... 134
8.2.2 策略網(wǎng)絡的Python 源碼 ..................... 135
8.2.3 策略訓練和測試 .................................. 138
8.2.4 主函數(shù)及訓練效果 .............................. 140
8.3 Minibatch-MC-AC 算法 ................................. 141
8.3.1 Minibatch-MC-AC 算法框架 .............. 141
8.3.2 采樣類的Python 源碼 ......................... 142
8.3.3 策略網(wǎng)絡的Python 源碼 ..................... 144
8.3.4 策略的訓練和測試 .............................. 147
8.3.5 主函數(shù)及訓練效果 .............................. 149
9 PPO 方法 ......................... 151
9.1 PPO 算法基本原理及代碼結構 ..................... 151
9.2 Python 源碼解析 ......... 154
9.2.1 采樣類 .............. 154
9.2.2 策略網(wǎng)絡 .......... 156
9.2.3 策略的訓練和測試 .............................. 159
9.2.4 主函數(shù)及訓練效果 .............................. 160
10 DDPG 方法 .................... 163
10.1 DDPG 基本原理 ....... 163
10.2 Python 源碼解析 ....... 167
10.2.1 經(jīng)驗緩存器類 167
10.2.2 策略網(wǎng)絡類 .... 169
10.2.3 訓練和測試 .... 173
10.2.4 主函數(shù)及訓練效果 ............................ 175

第3 篇 基于模型的強化學習方法 ............. 177
11 基于模型預測控制的強化學習算法 ..................... 178
11.1 基于模型的強化學習算法的基本原理 ........ 178
11.1.1 神經(jīng)網(wǎng)絡擬合動力學模型 ................ 179
11.1.2 模型預測控制 179
11.1.3 基于模型的強化學習算法偽代碼 .... 180
11.2 Python 源碼實現(xiàn)及解析 ............................... 181
11.2.1 數(shù)據(jù)收集類 .... 181
11.2.2 數(shù)據(jù)采樣類 .... 181
11.2.3 動力學網(wǎng)絡類 182
11.2.4 模型預測控制器類 ............................ 185
11.2.5 模型訓練和預測函數(shù) ........................ 186
11.2.6 主函數(shù) ............ 188
12 AlphaZero 原理淺析 ....... 190
12.1 從AlphaGo 到AlphaZero ............................ 191
12.2 蒙特卡洛樹搜索算法 ................................... 196
12.2.1 博弈樹和極小極大搜索 .................... 196
12.2.2 再論多臂老虎機問題 ........................ 198
12.2.3 UCT 算法 ....... 200
12.3 基于自我對弈的強化學習 ........................... 206
12.3.1 基于MCTS 的自我對弈 ................... 206
12.3.2 策略價值網(wǎng)絡的訓練 ........................ 210
13 AlphaZero 實戰(zhàn)：從零學下五子棋 ...................... 214
13.1 構建簡易的五子棋環(huán)境 ............................... 215
13.2 建立整體算法流程 ... 223
13.3 實現(xiàn)蒙特卡洛樹搜索 ................................... 229
13.4 實現(xiàn)策略價值網(wǎng)絡 ... 235
13.5 訓練實驗與效果評估 ................................... 240

附錄A PyTorch 入門 ........... 246
A.1 PyTorch 基礎知識 ...... 246
A.1.1 Tensor .............. 246
A.1.2 基礎操作 ......... 247
A.1.3 Tensor 和NumPy array 間的轉化 ...... 249
A.1.4 Autograd：自動梯度 .......................... 249
A.2 PyTorch 中的神經(jīng)網(wǎng)絡 .................................. 250
A.2.1 如何定義神經(jīng)網(wǎng)絡 ............................. 251
A.2.2 如何訓練神經(jīng)網(wǎng)絡 ............................. 254
A.2.3 在CIFAR-10 數(shù)據(jù)集上進行訓練和測試 ............................... 256
A.2.4 模型的保存和加載 ............................. 259
參考文獻 ................................ 261
后記 ... 263