《深度強化學習》是2022年人民郵電出版社出版的圖書，作者是王樹森、黎彧君、張志華。
基本介紹
- 中文名：深度強化學習
- 作者：王樹森、黎彧君、張志華
- 出版時間：2022年11月
- 出版社：人民郵電出版社
- ISBN：9787115600691
- 類別：圖書>計算機/網路>人工智慧>深度學習與神經網路
- 開本：128 開
- 裝幀：平裝-膠訂
- 叢書名：圖靈原創
內容簡介,圖書目錄,作者簡介,
內容簡介
本書基於備受讀者推崇的王樹森“深度強化學習”系列公開視頻課，專門解決“入門深度強化學習難”的問題。
本書的獨特之處在於：，知識精簡，剔除一切不必要的概念和公式，學起來輕鬆；第二，內容新穎，聚焦近10年深度強化學習領域的突破，讓你一上手就緊跟技術。本書系統講解深度強化學習的原理與實現，但不迴避數學公式和各種模型，原創100多幅精美插圖，並以全彩印刷展示。簡潔清晰的語言 生動形象的圖示，助你掃除任何可能的學習障礙！本書內容分為五部分：基礎知識、價值學習、策略學習、多智慧型體強化學習、套用與展望，涉及DQN、A3C、TRPO、DDPG、AlphaGo等。
本書面向深度強化學習入門讀者，助你構建完整的知識體系。學完本書，你能夠輕鬆看懂深度強化學習的實現代碼、讀懂該領域的論文、聽懂學術報告，具備進一步自學和深挖的能力。
圖書目錄
序言 i
前言 v
常用符號 xi
第 一部分 基礎知識
第 1章 機器學習基礎 2
1.1 線性模型 2
1.1.1 線性回歸 2
1.1.2 邏輯斯諦回歸 4
1.1.3 softmax分類器 7
1.2 神經網路 10
1.2.1 全連線神經網路 10
1.2.2 卷積神經網路 11
1.3 梯度下降和反向傳播 12
1.3.1 梯度下降 13
1.3.2 反向傳播 14
知識點小結 16
習題 16
第 2章 蒙特卡洛方法 18
2.1 隨機變數 18
2.2 蒙特卡洛方法實例 21
2.2.1 例一：近似π值 21
2.2.2 例二：估算陰影部分面積 23
2.2.3 例三：近似定積分 25
2.2.4 例四：近似期望 26
2.2.5 例五：隨機梯度 27
知識點小結 29
習題 29
第3章 強化學習基本概念 31
3.1 馬爾可夫決策過程 31
3.1.1 狀態、動作、獎勵 31
3.1.2 狀態轉移 32
3.2 策略 33
3.3 隨機性 35
3.4 回報與折扣回報 37
3.4.1 回報 37
3.4.2 折扣回報 37
3.4.3 回報中的隨機性 38
3.4.4 有限期MDP和無限期MDP 39
3.5 價值函式 39
3.5.1 動作價值函式 40
3.5.2 動作價值函式 40
3.5.3 狀態價值函式 41
3.6 實驗環境：OpenAI Gym 42
知識點小結 44
習題 44
第二部分 價值學習
第4章 DQN與Q學習 48
4.1 DQN 48
4.1.1 概念回顧 48
4.1.2 DQN表達式 49
4.1.3 DQN的梯度 50
4.2 TD算法 50
4.2.1 駕車時間預測示例 50
4.2.2 TD算法的原理 51
4.3 用TD訓練DQN 53
4.3.1 算法推導 53
4.3.2 訓練流程 55
4.4 Q 學習算法 57
4.4.1 表格形式的Q學習 57
4.4.2 算法推導 57
4.4.3 訓練流程 58
4.5 同策略與異策略 59
相關文獻 60
知識點小結 61
習題 61
第5章 SARSA算法 63
5.1 表格形式的SARSA 63
5.1.1 算法推導 63
5.1.2 訓練流程 64
5.1.3 Q學習與SARSA的對比 65
5.2 神經網路形式的SARSA 66
5.2.1 價值網路 66
5.2.2 算法推導 66
5.2.3 訓練流程 67
5.3 多步TD目標 68
5.3.1 算法推導 68
5.3.2 多步TD目標的原理 69
5.3.3 訓練流程 70
5.4 蒙特卡洛方法與自舉 70
5.4.1 蒙特卡洛方法 71
5.4.2 自舉 71
5.4.3 蒙特卡洛方法和自舉的對比 72
相關文獻 73
知識點小結 73
習題 74
第6章 價值學習高級技巧 75
6.1 經驗回放 75
6.1.1 經驗回放的優點 76
6.1.2 經驗回放的局限性 76
6.1.3 優先經驗回放 77
6.2 高估問題及解決方法 79
6.2.1 自舉導致偏差傳播 79
6.2.2 化導致高估 80
6.2.3 高估的危害 81
6.2.4 使用目標網路 82
6.2.5 雙Q學習算法 84
6.2.6 總結 85
6.3 對決網路 86
6.3.1 優勢函式 86
6.3.2 對決網路的結構 87
6.3.3 解決不性 88
6.3.4 對決網路的實際實現 89
6.4 噪聲網路 90
6.4.1 噪聲網路的原理 90
6.4.2 噪聲DQN 91
6.4.3 訓練流程 93
相關文獻 94
知識點小結 94
習題 94
第三部分 策略學習
第7章 策略梯度方法 98
7.1 策略網路 98
7.2 策略學習的目標函式 99
7.3 策略梯度定理 101
7.3.1 簡化證明 101
7.3.2 嚴格證明 102
7.3.3 近似策略梯度 106
7.4 REINFORCE 107
7.4.1 簡化推導 108
7.4.2 訓練流程 108
7.4.3 嚴格推導 109
7.5 actor-critic 110
7.5.1 價值網路 110
7.5.2 算法推導 111
7.5.3 訓練流程 114
7.5.4 用目標網路改進訓練 114
相關文獻 115
知識點小結 115
習題 116
第8章 帶基線的策略梯度方法 117
8.1 策略梯度中的基線 117
8.1.1 基線的引入 117
8.1.2 基線的直觀解釋 118
8.2 帶基線的REINFORCE算法 119
8.2.1 策略網路和價值網路 120
8.2.2 算法推導 121
8.2.3 訓練流程 121
8.3 advantage actor-critic 122
8.3.1 算法推導 123
8.3.2 訓練流程 125
8.3.3 用目標網路改進訓練 126
8.4 證明帶基線的策略梯度定理 127
知識點小結 128
習題 128
第9章 策略學習高級技巧 129
9.1 置信域策略最佳化 129
9.1.1 置信域方法 129
9.1.2 策略學習的目標函式 132
9.1.3 算法推導 133
9.1.4 訓練流程 135
9.2 策略學習中的熵正則 135
相關文獻 138
知識點小結 138
第 10章 連續控制 139
10.1 連續空間的離散化 139
10.2 深度確定性策略梯度 140
10.2.1 策略網路和價值網路 140
10.2.2 算法推導 142
10.3 深入分析DDPG 145
10.3.1 從策略學習的角度看待DDPG 145
10.3.2 從價值學習的角度看待DDPG 146
10.3.3 DDPG的高估問題 147
10.4 雙延遲深度確定性策略梯度 148
10.4.1 高估問題的解決方案——目標網路 148
10.4.2 高估問題的解決方案——截斷雙Q學習 148
10.4.3 其他改進點 149
10.4.4 訓練流程 150
10.5 隨機高斯策略 151
10.5.1 基本思路 152
10.5.2 隨機高斯策略網路 153
10.5.3 策略梯度 154
10.5.4 用REINFORCE學習參數 155
10.5.5 用actor-critic學習參數 155
相關文獻 157
知識點小結 157
第 11章 對狀態的不完全觀測 158
11.1 不完全觀測問題 158
11.2 循環神經網路 159
11.3 基於RNN的策略網路 161
相關文獻 162
知識點小結 163
習題 163
第 12章 模仿學習 165
12.1 行為克隆 165
12.1.1 連續控制問題 165
12.1.2 離散控制問題 166
12.1.3 行為克隆與強化學習的對比 168
12.2 逆向強化學習 169
12.2.1 IRL的基本設定 169
12.2.2 IRL的基本思想 170
12.2.3 從黑箱策略反推獎勵 170
12.2.4 用獎勵函式訓練策略網路 171
12.3 生成判別模仿學習 171
12.3.1 生成判別網路 172
12.3.2 GAIL的生成器和判別器 175
12.3.3 GAIL的訓練 176
相關文獻 178
知識點小結 179
第四部分 多智慧型體強化學習
第 13章 並行計算 182
13.1 並行計算基礎 182
13.1.1 並行梯度下降 182
13.1.2 MapReduce 183
13.1.3 用 MapReduce實現並行梯度下降 184
13.1.4 並行計算的代價 187
13.2 同步與異步 188
13.2.1 同步算法 188
13.2.2 異步算法 189
13.2.3 同步梯度下降與異步梯度下降的對比 191
13.3 並行強化學習 191
13.3.1 異步並行雙Q學習 191
13.3.2 A3C：異步並行A2C 193
相關文獻 195
知識點小結 195
習題 196
第 14章 多智慧型體系統 197
14.1 常見設定 197
14.2 基本概念 199
14.2.1 專業術語 199
14.2.2 策略網路 200
14.2.3 動作價值函式 200
14.2.4 狀態價值函式 201
14.3 實驗環境 202
14.3.1 multi-agent particle world 202
14.3.2 StarCraft multi-agent challenge 204
14.3.3 Hanabi Challenge 205
相關文獻 206
知識點小結 206
第 15章 完全合作關係設定下的多智慧型體強化學習 207
15.1 完全合作關係設定下的策略學習 208
15.2 完全合作關係設定下的多智慧型體A2C 209
15.2.1 策略網路和價值網路 209
15.2.2 訓練和決策 211
15.2.3 實現中的難點 212
15.3 三種架構 213
15.3.1 中心化訓練 中心化決策 214
15.3.2 去中心化訓練 去中心化決策 215
15.3.3 中心化訓練 去中心化決策 217
相關文獻 219
知識點小結 220
習題 220
第 16章 非合作關係設定下的多智慧型體強化學習 221
16.1 非合作關係設定下的策略學習 222
16.1.1 非合作關係設定下的目標函式 222
16.1.2 收斂的判別 223
16.1.3 評價策略的優劣 223
16.2 非合作關係設定下的多智慧型體A2C 224
16.2.1 策略網路和價值網路 224
16.2.2 算法推導 225
16.2.3 訓練 226
16.2.4 決策 227
16.3 三種架構 227
16.3.1 中心化訓練 中心化決策 227
16.3.2 去中心化訓練 去中心化決策 228
16.3.3 中心化訓練 去中心化決策 229
16.4 連續控制與MADDPG 231
16.4.1 策略網路和價值網路 231
16.4.2 算法推導 232
16.4.3 中心化訓練 234
16.4.4 去中心化決策 236
相關文獻 237
知識點小結 237
第 17章 注意力機制與多智慧型體強化學習 238
17.1 自注意力機制 238
17.1.1 自注意力層 239
17.1.2 多頭自注意力層 241
17.2 自注意力改進多智慧型體強化學習 242
17.2.1 不使用自注意力的狀態價值網路 242
17.2.2 使用自注意力的狀態價值網路 243
17.2.3 使用自注意力的動作價值網路 244
17.2.4 使用自注意力的中心化策略網路 244
17.2.5 總結 245
相關文獻 245
知識點小結 245
習題 246
第五部分 套用與展望
第 18章 AlphaGo與蒙特卡洛樹搜尋 248
18.1 強化學習眼中的圍棋 248
18.2 蒙特卡洛樹搜尋 250
18.2.1 MCTS的基本思想 250
18.2.2 MCTS的四個步驟 250
18.2.3 MCTS的決策 255
18.3 訓練策略網路和價值網路 255
18.3.1 AlphaGo 2016版本的訓練 256
18.3.2 AlphaGo Zero版本的訓練 258
相關文獻 260
知識點小結 260
習題 261
第 19章 現實世界中的套用 262
19.1 神經網路結構搜尋 262
19.1.1 超參數和交叉驗證 262
19.1.2 強化學習方法 264
19.2 自動生成SQL語句 266
19.3 推薦系統 268
19.4 網約車調度 270
19.4.1 價值學習 271
19.4.2 派單機制 271
19.5 強化學習與監督學習的對比 273
19.5.1 決策是否改變環境 273
19.5.2 當前獎勵還是長線回報 274
19.6 制約強化學習落地套用的因素 275
19.6.1 所需的樣本數量過大 275
19.6.2 探索階段代價太大 276
19.6.3 超參數的影響非常大 277
19.6.4 穩定性極差 278
知識點小結 279
附錄A 貝爾曼方程 281
附錄B 習題答案 283
參考文獻 288
作者簡介
王樹森 現任小紅書基礎模型團隊負責人，從事搜尋和推薦算法研發工作。從浙江大學獲得計算機學士和博士學位，就讀期間獲得“微軟學者”和“百度獎學金”等多項榮譽。在加入小紅書之前，曾任美國加州大學伯克利分校博士後、美國史蒂文斯理工學院助理教授、博導。在機器學習、強化學習、數值計算、分散式計算等方向有多年科研經驗，在計算機國際期刊和會議上發表30多篇論文。 在YouTube、B站開設“深度強化學習”“深度學習”“推薦系統”公開課（ID：Shusen Wang），全網視頻播放量100萬次。 黎彧君 華為諾亞方舟實驗室高級研究員，主要從事AutoML相關的研發工作。上海交通大學博士，研究方向為數值最佳化、強化學習；攻讀博士學位期間曾前往普林斯頓大學訪問一年。共同翻譯出版“花書”《深度學習》。 張志華 北京大學數學科學學院教授。此前先後執教於浙江大學和上海交通大學，任計算機科學教授。主要從事統計學、機器學習與計算機科學領域的研究和教學。曾主講“統計機器學習”“機器學習導論”“深度學習”“強化學習”，其課程視頻廣受歡迎。
