深度强化学习（一）： Deep Q Network(DQN)

一、背景

DeepMind2013年的论文《Playing Atari with Deep Reinforcement Learning》指出：从高维感知输入（如视觉、语音）直接学习如何控制 agent 对强化学习（RL）来说是一大挑战。

之前很多RL算法依赖于手工选取的特征和线性函数逼近（对value function（值函数） 或 policy进行逼近）。但这些系统都依赖于特征的选取质量。

深度学习（DL），尤其是CNN（卷积神经网络），可以很好的提取图像的高维特征， 那么我们很自然的想到是否可以将其应用于强化学习（RL）上？

二、DL和RL结合的挑战

那么很自然，我们需要关注DL和RL的结合有哪些挑战：

• 深度学习方法的成功应用案例大部分都具备很好的数据集标签（labels),而RL没有明确的标签，只能通过一个有延迟（也可能有噪声）的reward来学习。
• 另外，深度学习一般假设其样本都是独立同分布的，但在RL中，通常会遇到一段相关度很高的状态量（state)，且状态的分布也不相同。
• 过往的研究表明，使用非线性网络表示值函数时出现网络不稳定，收敛困难等问题。

三、DQN的解决方案

DQN将卷积神经网络（CNN）与Q学习结合起来，通过以下方法，对DL与RL结合存在的问题进行解决：

• 采用Q learning的目标值函数来构造DL的标签，从而构造DL的loss function;
• .采用了记忆回放（experience replay mechanism) 来解决数据关联性问题;
• 使用一个CNN（MainNet）产生当前Q值，使用另外一个CNN（Target）产生Target Q值。（在2015年DeepMind的论文Human-level Control Through Deep Reinforcement Learning新版DQN中采用）

3.1 loss function 构造

RL原理此不赘述，Q learning的更新方程如下：

$Q(s,a)=Q(s,a)+\alpha [r+$