第一部分强化学习入门与基础知识
1 引言2
1.1 强化学习的概念 2
1.1.1 巴浦洛夫的狗 3
1.1.2 俄罗斯方块 4
1.2 站在被实验者的角度看问题 5
1.3 强化学习效果的评估 8
1.3.1 不断试错 8
1.3.2 看重长期回报 8
1.4 强化学习与监督学习 9
1.4.1 强化学习与监督学习的本质 9
1.4.2 模仿学习 10
1.5 强化学习的实验环境 11
1.5.1 Arcade Learning Environment 12
1.5.2 Box2D 12
1.5.3 MuJoCo 13
1.5.4 Gym 14
1.6 本书的主要内容 15
1.7 参考资料 16
2 数学与机器学习基础17
2.1 线性代数基础 17
2.2 对称矩阵的性质 21
2.2.1 特征值与特征向量 21
2.2.2 对称矩阵的特征值和特征向量 22
2.2.3 对称矩阵的对角化 23
2.3 概率论 24
2.3.1 概率与分布 24
2.3.2 最大似然估计 27
2.4 重要性采样 29
2.5 信息论基础 33
2.6 KL 散度 35
2.7 凸函数及其性质 39
2.8 机器学习的基本概念 41
2.9 机器学习的目标函数 43
2.10 总结 45
3 优化算法47
3.1 梯度下降法 47
3.1.1 什么是梯度下降法 47
3.1.2 优雅的步长 48
3.2 动量算法 53
3.3 共轭梯度法 59
3.3.1 精妙的约束 59
3.3.2 共轭 60
3.3.3 优化步长的确定 63
3.3.4 Gram-Schmidt 方法 64
3.3.5 共轭梯度 65
3.4 自然梯度法 69
3.4.1 基本概念 69
3.4.2 Fisher 信息矩阵 71
3.4.3 自然梯度法目标公式 76
3.5 总结 77
4 TensorFlow 入门78
4.1 TensorFlow 的基本使用方法 78
4.2 TensorFlow 原理介绍 82
4.2.1 创建变量的scope 83
4.2.2 创建一个Variable 背后的故事 89
4.2.3 运算操作 94
4.2.4 tf.gradients 96
4.2.5 Optimizer 102
4.2.6 TensorFlow 的反向传播技巧 106
4.2.7 arg_scope 的使用 109
4.3 TensorFlow 的分布式训练 113
4.3.1 基于MPI 的数据并行模型 114
4.3.2 MPI 的实现：mpi_adam 121
4.4 基于TensorFlow 实现经典网络结构 122
4.4.1 多层感知器 122
4.4.2 卷积神经网络 124
4.4.3 循环神经网络 126
4.5 总结 129
4.6 参考资料 129
5 Gym 与Baselines 130
5.1 Gym 130
5.1.1 Gym 的安装 130
5.1.2 Gym 的基本使用方法 132
5.1.3 利用Gym 框架实现一个经典的棋类游戏：蛇棋 134
5.2 Baselines 138
5.2.1 Baselines 中的Python 3 新特性 139
5.2.2 tf_util 141
5.2.3 对Gym 平台的扩展 142
5.3 总结 144
6 强化学习基本算法145
6.1 马尔可夫决策过程 145
6.1.1 MDP：策略与环境模型 145
6.1.2 值函数与Bellman 公式 147
6.1.3 “表格式”Agent 151
6.2 策略迭代 153
6.2.1 策略迭代法 153
6.2.2 策略提升的证明 159
6.2.3 策略迭代的效果展示 160
6.3 价值迭代 162
6.3.1 N 轮策略迭代 162
6.3.2 从动态规划的角度谈价值迭代 165
6.3.3 价值迭代的实现 167
6.4 泛化迭代 168
6.4.1 两个极端 168
6.4.2 广义策略迭代法 169
6.4.3 泛化迭代的实现 170
6.5 总结 171
第二部分最优价值算法
7 Q-Learning 基础173
7.1 状态转移概率：从掌握到放弃 173
7.2 蒙特卡罗方法 174
7.3 探索与利用 178
7.4 蒙特卡罗的方差问题 181
7.5 时序差分法与SARSA 183
7.6 Q-Learning 186
7.7 Q-Learning 的收敛性分析 189
7.8 从表格形式到价值模型 193
7.9 Deep Q Network 195
7.10 总结 202
7.11 参考资料 202
8 DQN 的改进算法203
8.1 Double Q-Learning 203
8.2 Priority Replay Buffer 204
8.3 Dueling DQN 209
8.4 解决DQN 的冷启动问题 211
8.5 Distributional DQN 214
8.5.1 输出价值分布 214
8.5.2 分布的更新 216
8.6 Noisy Network 218
8.7 Rainbow 221
8.7.1 Rainbow 的模型特点 221
8.7.2 Deep Q Network 的实现 223
8.8 总结 227
8.9 参考资料 227
第三部分基于策略梯度的算法
9 基于策略梯度的算法229
9.1 策略梯度法 229
9.1.1 算法推导 230
9.1.2 算法分析 233
9.1.3 算法改进 234
9.2 Actor-Critic 算法 236
9.2.1 降低算法的方差 236
9.2.2 A3C 算法 238
9.2.3 A2C 算法实战 240
9.3 总结 243
9.4 参考资料 243
10 使策略单调提升的优化算法244
10.1 TRPO 244
10.1.1 策略的差距 245
10.1.2 策略提升的目标公式 247
10.1.3 TRPO 的目标定义 248
10.1.4 自然梯度法求解 251
10.1.5 TRPO 的实现 254
10.2 GAE 256
10.2.1 GAE 的公式定义 256
10.2.2 基于GAE 和TRPO 的值函数优化 259
10.2.3 GAE 的实现 260
10.3 PPO 261
10.3.1 PPO 介绍 261
10.3.2 PPO 算法实践 263
10.4 总结 264
10.5 参考资料 264
11 Off-Policy 策略梯度法265
11.1 Retrace 266
11.1.1 Retrace 的基本概念 266
11.1.2 Retrace 的算法实现 267
11.2 ACER 270
11.2.1 Off-Policy Actor-Critic 270
11.2.2 ACER 算法 272
11.2.3 ACER 的实现 276
11.3 DPG 279
11.3.1 连续空间的策略优化 279
11.3.2 策略模型参数的一致性 280
11.3.3 DDPG 算法 283
11.3.4 DDPG 的实现 286
11.4 总结 289
11.5 参考资料 289
第四部分其他强化学习算法
12 稀疏回报的求解方法291
12.1 稀疏回报的困难 291
12.2 层次强化学习 294
12.3 HER 298
12.3.1 渐进式学习 299
12.3.2 HER 的实现 301
12.4 总结 304
12.5 参考资料 304
13 Model-based 方法305
13.1 AlphaZero 305
13.1.1 围棋游戏 305
13.1.2 Alpha-Beta 树 307
13.1.3 MCTS 309
13.1.4 策略价值模型 312
13.1.5 模型的对决 316
13.2 iLQR 316
13.2.1 线性模型的求解法 317
13.2.2 非线性模型的解法 322
13.2.3 iLQR 的实现 325
13.3 总结 328
13.4 参考资料 328
第五部分反向强化学习
14 反向强化学习入门330
14.1 基本概念 330
14.2 从最优策略求解回报 332
14.2.1 求解回报的目标函数 332
14.2.2 目标函数的约束 334
14.3 求解线性规划 335
14.3.1 线性规划的求解过程 335
14.3.2 实际案例 337
14.4 无限状态下的求解 338
14.5 从样本中学习 342
14.6 总结 344
14.7 参考资料 344
15 反向强化学习算法2.0 345
15.1 最大熵模型 345
15.1.1 指数家族 346
15.1.2 最大熵模型的推导 349
15.1.3 最大熵模型的实现 354
15.2 最大熵反向强化学习 356
15.3 GAIL 361
15.3.1 GAN 的基本概念 361
15.3.2 GAN 的训练分析 363
15.4 GAIL 实现 367
15.5 总结 370
15.6 参考资料 370
· · · · · · (收起)