百度深度强化学习框架PARL技术学习笔记

前言：寄语

这是一门深度强化学习基础实践课程，为了避免大家被数学公式劝退，理论方面讲的不是太深，科老师是两度世界冠军，说这是目前国内最好的强化学习实践课程也不为过，强化学习是机器学习的最强范式，主要是负责决策，和负责感知的深度学习结合起来，就构成了强人工智能，是未来人工智能最令人激动和期待的地方

基础准备和预习

学习这门课需要以下基础：
1，高等数学
2，线性代数
3，概率论
4，Python面向对象编程
5，Numpy
数学基础不太好的同学可以先跳过部分数学知识点，先从编程算法入手，多Print一下状态信息，对算法流程有一定的理解后，再去看理论推导，看理论的时候一定要看图书，图书歧义少，一般都是经过时间检验的，实践的话推荐看视频上手快。

学习这门课程最好对强化学习理论有一定的基础理论理解，这样上手更快一些，科老师后面的课程不解释这些基础概念
1，状态值函数 state value function
2, 状态-动作值函数 state-action value function
3, bellman方程

第一节课：玩个简单的迷宫游戏吧

游戏目标：让Agent小乌龟自己学会避开所有的陷阱，走到目的地，拿到最终奖励
游戏结果：小乌龟通过不停的action试错，从当前的状态state1，转移到下一个状态state2，获得奖励R，然后综合评价所有的策略，把产生的最大奖励值的作为最优策略，用最少的步数走到目的地，是不是很神奇。

接下来就是谈一下什么是强化学习了，简单来说，强化学习的目的是为了求得最优策略，而深度学习则是为了拟合非线性和感知认知

打个广告：推荐一下百度强化学习框架PARL，支持并行计算，能够让学习速率大大的提升，对于初学者，这是一个非常友好的框架，而且源代码是开源的，学有余力的同学可以去学源码
源码链接
https://github.com/PaddlePaddle/PARL

第二节课：基于表格型方法求解RL

首先解释下我们为什么要求解RL，这个概念非常重要，总的来说，求解RL的本质就是求解状态值函数或者动作状态值函数，只有知道这两个函数里面的任何一个，我们才能找到最优策略，才能告诉Agent怎么走才是最优的，获得的累计奖励最大，当然也可以直接求解优化策略

1, SARSA算法

用白话来讲，SARSA算法的表现形式是Q（S,A），即对某个状态下的一个动作做估值计算，以下是实践代码

pip install gym
import gym
import numpy as np
import time

class SarsaAgent(object):
    def __init__(self, obs_n, act_n, learning_rate=0.01, gamma=0.9, e_greed=0.1):
        self.act_n = act_n      # 动作维度，有几个动作可选
        self.lr = learning_rate # 学习率
        self.gamma = gamma      # reward的衰减率
        self.epsilon = e_greed  # 按一定概率随机选动作
        self.Q = np.zeros((obs_n, act_n))

    # 根据输入观察值，采样输出的动作值，带探索
    def sample(self, obs):
        #
        # 1. 请完成sample函数功能
        if np.random.uniform(0,1) < (1.0 - self.epsilon):
            action = self.predict(obs)
        else:
            action = np.random.choice(self.act_n)
        return action
        #

    # 根据输入观察值，预测输出的动作值
    def predict(self, obs):
        # 2. 请完成predict函数功能
        Q_list = self.Q[obs, :]
        maxQ = np.max(Q_list)
        action_list = np.where(Q_list == maxQ)[0]
        action = np.random.choice(action_list)
        return action
#学习方法，也就是更新Q-table的方法
    def learn(self, obs, action, reward, next_obs, next_action, done):
        """ on-policy
            obs: 交互前的obs, s_t
            action: 本次交互选择的action, a_t
            reward: 本次动作获得的奖励r
            next_obs: 本次交互后的obs, s_t+1
            next_action: 根据当前Q表格, 针对next_obs会选择的动作, a_t+1
            done: episode是否结束
        """
        
        # 3. 请完成learn函数功能（Sarsa）
        predict_Q = self.Q[obs, action]
        if done:
         target_Q = reward  # 没有下一个状态了
        else:
         target_Q = reward + self.gamma * self.Q[next_obs,next_action]  # Sarsa
        self.Q[obs, action] += self.lr * (target_Q - predict_Q)  # 修正q
  
    # 保存Q表格数据到文件
    def save(self):
        npy_file = './q_table.npy'
        np.save(npy_file, self.Q)
        print(npy_file + ' saved.')
    
    # 从文件中读取数据到Q表格中
    def restore(self, npy_file='./q_table.npy'):
        self.Q = np.load(npy_file)
        print(npy_file + ' loaded.')``
    def run_episode(env, agent, render=False):
    total_steps = 0 # 记录每个episode走了多少step
    total_reward = 0

    obs = env.reset() # 重置环境, 重新开一局（即开始新的一个episode）
    action = agent.sample(obs) # 根据算法选择一个动作

    while True:
        next_obs, reward, done, _ = env.step(action) # 与环境进行一个交互
        next_action = agent.sample(next_obs) # 根据算法选择一个动作
        # 训练 Sarsa 算法
        agent.learn(obs, action, reward, next_obs, next_action, done)

        action = next_action
        obs = next_obs  # 存储上一个观察值
        total_reward += reward
        total_steps += 1 # 计算step数
        if render:
            env.render() #渲染新的一帧图形
        if done:
            break
    return total_reward, total_steps

    def test_episode(env, agent):
    total_reward = 0
    obs = env.reset()
    while True:
        action = agent.predict(obs) # greedy
        next_obs, reward, done, _ = env.step(action)
        total_reward += reward
        obs = next_obs
        # time.sleep(0.5)
        # env.render()
        if done:
            break
    return total_reward
```python
在这里插入代码片

2，Q-Learning算法

算法展示，总的来说结构和Sarsa很类似，算法最大的区别是更新公式不一样Sarsa选择的是后一个动作整体的期望，Q-Learning选择的是后一个动作的最大值，下面是演示代码

class QLearningAgent(object):
    def __init__(self, obs_n, act_n, learning_rate=0.01, gamma=0.9, e_greed=0.1):
        self.act_n = act_n      # 动作维度，有几个动作可选
        self.lr = learning_rate # 学习率
        self.gamma = gamma      # reward的衰减率
        self.epsilon = e_greed  # 按一定概率随机选动作
        self.Q = np.zeros((obs_n, act_n))

    # 根据输入观察值，采样输出的动作值，带探索
    def sample(self, obs)