磨菇书

西湖大学GitHub

基本概念

一、数学知识

1）随机变量（Random Variable）

统计学中往往用字母的大小写来区分随机变量和观测值，例如X表示随机变量，x表示观测值

2）概率密度函数(Probability Density Function)

概率密度函数(Probability Density Function)有这样的性质：

3）期望（Expectation）

简单来说，对某一随机变量求期望就是在求它的平均。有微积分基础的可以理解：对于连续的随机变量可以采用求某一段积分来获得期望；而对于离散的随机变量只需求和公式即可。

期望（Expectation）有如下性质：

4）随机抽样（Random Sampling）

举个例子，对于某一随机变量X，可能X产生的值有['R', 'G', 'B']，那么随机抽样的过程就是在X可能产生的值['R', 'G', 'B']抽取的过程

二、专业术语（Terminology）

1）状态和动作（State and Action）

状态（State s）

Agent（智能体）在某一时刻t所处的状态，即为State s，常常记为$s_t$

动作（Action a）

Agent（智能体）在某一时刻t进入状态，做出相应的动作，即为Action a ，常常即为$a_t$

2）策略（Policy $\pi$）

在数学上，策略是一个概率密度函数(Probability Density Function)，在某一状态时，策略控制Agent做出动作，这里做出的动作是随机抽样得到的。

3）奖励（Reward）

Agent在某一状态中做出一个动作，就会获得一个奖励

4）状态转移（State Transition）

一个状态转移到另一个状态的过程叫做状态转移

5）智能体环境交互过程

6）强化学习中的两种随机性

策略对动作进行随机抽样，状态转移函数对状态进行随机抽样

7）强化学习的训练过程（一个trajectory）

8）回报（Return）

定义为：未来奖励的总和（Cumulative Future Reward），记作$U_t$，由于每一步我们并不知道$U_t$的大小，$U_t$因此是随机变量

由于未来奖励的不确定性，因此强化学习中往往采用折扣回报

定义为：折扣性未来奖励的总和（Cumulative Discounted Future Reward）

回报的随机性（Randomness in Returns）

由于回报取决于奖励，而奖励又是由Agent所进入的状态和做出的动作进行打分而得到的，上文已经提到了在强化学习中状态和动作均具有随机性，因此回报（Return）也具有随机性。

9）动作价值函数（Action-Value Function）

上面讲到了，$U_t$是一个随机变量，依赖于未来所有的动作A和状态S，因此为了无法评估当前形势。故引入动作价值函数，用对$U_t$求期望，用积分将随机性积掉，这样就能得到一个实数，用于评估形势。

期望的求取方法：将$U_t$当成未来所有状态A和S的一个函数，所以除了当前的动作$a_t$和状态$s_t$，其余所有的状态和动作都被积掉了，因此这里的对于策略$\pi$的动作价值函数$Q_{\pi }(s_t，a_t)$只取决于当前的动作$a_t$和状态$s_t$的观测值

最优动作价值函数（Optimal Action-Value Function）：能让动作价值函数$Q_{\pi }(s_t，a_t)$最大化的那个

$Q^{\ast }(s_t，a_t)$,这里与$\pi$无关

对于动作状态价值函数的理解

10）状态价值函数（State-Value Function）

$V_{\pi }(s_t)$可以告诉我们当前的形势的好坏

这里的$V_{\pi }$需要区分连续动作和离散动作：

对于状态价值函数的理解：

三、如何利用AI的强化学习控制智能体训练

1）价值学习（Value-Based Learning）

采用最优动作价值函数$Q^{\ast }(s,a)$

2）策略学习（Policy-Based Learning）

采用策略$\pi (a|s)$

四、总结（summary）

直接附上王树森大神的Summary的图：

强化学习的一个总体过程：

价值学习 Value-Based Learning

一、深度Q网络（Deep Q-Network DQN）

1）近似Q函数（Approximate the Q* Function）

$Q^{\ast }(s,a)$可以被看成一个先知，它可以告诉Agent如何选择一个最好的动作a，但$Q^{\ast }(s,a)$并不知道，因此这里需要近似$Q^{\ast }(s,a)$

DQN是一种价值学习的方法，利用一个神经网络（Neural Network NN）去近似一个$Q^{\ast }(s,a)$，记为$Q(s,a;w)$

对于不同问题，DQN也许不一样，以超级玛丽为例：

DQN的训练Agent的一个trajectory如下图：

2）时序差分方法（Temporal Difference Learning TD-Learning）

例子：如果我想要从纽约到亚特兰大，且模型$Q(w)$预测了消耗的时间是1000分钟，这个模型一开始是随机的。

那么如何更新模型，使模型的预测值变得越来越准确？

①首先做出一个预测：q=Q(w) → q=1000

②完成这段路程得到真实值y：y=860

这时，产生了一个偏差（q-y）

我们记损失Loss为：$L=1/2(q-y{)}^2$，即L2范式，前面的1/2可以理解为方便计算梯度，线性变换并不会影响数据整体的相对值，例如，1相对于2是1/2倍的关系，0.5相对于1是1/2倍的关系。

那么，为了是预测值尽可能的逼近真实值，我们必须需要让Loss取到最小值。因此这里就引入了L对w的梯度Gradient，也可以认为是求导。使用偏微分的链式法则，我们可以推导出L对w梯度的表达式，如下图所示：

这样，我们在进行参数更新时，采用梯度下降算法（Gradient Descent）即可使参数w不断接近真实值对应的参数$w^{\ast }$。

而现在，若到达不了目的地，不获取到真实的全路程的真实值，就可以利用TD算法来更新模型参数。

假设我们从纽约想亚特兰大出发，途中经过华盛顿，而在华盛顿停住不走，那么此时的预测就不再能使用整条路的真实值来更新预测值了。

因此，这里采用TD算法

我们已知模型做出一个预测：q=Q(w) → q=1000

而从我们从纽约经过华盛顿停住不走，那么便有一个从纽约到华盛顿的真实值：y1=300

而从华盛顿到亚特兰大有一个模型预测值：q1=Q(w1)→q=600

那么此时我们定义TD target为 y=y1+q1=900,这里的TD target比原本的模型预测值1000更加可靠。

我们记损失Loss为：L=1/2*(q-y)²，定义TD error为δ=q-y=1000-900；此处也可以理解成模型对纽约到华盛顿的预测值为400，而真实值是300，δ=400-300=100

类似地，我们可以得到Loss Function关于w的一个函数，对w求梯度，得到Loss的最小值对应的w用于更新参数（采用梯度下降方法Gradient Descent）

我们必须使TD error尽可能地小，当TD error=0时，那么我们就获得了最优的模型

二、TD Learning+DQN

如何将TD算法用于学习DQN

对于上述例子，我们有了这样的方程

类似地，在深度强化学习中，有如下方程，即是用TD算法学习DQN的方程：

其中，方程左边是DQN在t时刻对状态和动作$(s_t,a_t)$进行的一次估计；等式右边是在t时刻真实观测到的奖励，以及DQN在t+1时刻对于状态和动作$(s_{t+1},a_{t+1})$进行的一次估计。

推导如下：

因此，将TD算法与DQN结合：

等式左边可以认为是模型对于时刻t关于参数w的预测值（Prediction）；右边则是真实值+模型对于时刻t+1关于参数w的预测值，和式记为TD target。

个人理解，这是一个贝尔曼方程，具体可以参照忆臻：马尔科夫决策过程之Bellman Equation（贝尔曼方程）

三、总结（Summary）

TD算法用于学习DQN的一次迭代：

多次进行迭代，最后就可以将TD error逐渐减小；换句话说，模型预测值越来越接近TD target。

策略学习 Policy-Based Learning

一、策略函数近似（Policy Function Approximation）

1）策略函数（Policy Function）

策略函数（Policy Function）$\pi (a|s)$ 是一个概率密度函数，其输入是某个状态s，输出是在该状态下可能产生的动作a的概率值。假设在状态st下，Agent可能做出的动作at可能有n个，那么$\pi (a_t|s_t)$即输出一个n维向量，其元素对应每个可能做出动作at的概率值。有了这n个概率值，Agent就会在这个向量中做一次随机抽样（Random Sampling），并做出随机抽样所得的动作$a_i$

2）策略网络（Policy Network）

策略网络（Policy Network）$\pi (a|s;\theta )$则是使用了神经网络去近似策略函数$\pi (a|s)$，其中$\theta$是神经网络中的一个可训练参数

策略网络（Policy Network）$\pi (a|s;\theta )$有着如下性质：

由于策略网络对于在动作空间A中所有可能取到的a所对应的概率之和必须等于1，因此在策略网络的最后一层必须加上一个Sotmax这个Activation Function。

二、状态价值函数近似（State-Value Function Approximation）

1）状态价值函数（Action-Value Function）

首先回顾上一章的三类函数：

这里注意：式3表示离散动作的期望求法；若为连续动作，则对动作空间中的所有a进行积分。

类比State-Value Function和Approximation State-Value Function，区别在于：将策略$\pi (a|s_t)$换成了策略网络$\pi (a|s_t;\theta )$

V可以评价状态s和策略网络$\pi (a|s_t;\theta )$的好坏。若给定状态s，策略网络越好，那么V的值越大。因此，我们采用V关于$\theta$的随机梯度上升的方法更新参数$\theta$，则有以下定义：$J(\theta )$

这类方法即策略梯度上升的方法，这里我们定义策略梯度（Policy Gradient）是近似状态价值函数$V(s;\theta )$关于$\theta$的梯度。

2）策略梯度（Policy Gradient）

这里放上策略梯度的推导：

这里假设$Q_{\pi }$不依赖于$\theta$，因此能够相当于一个常数提出来。但在实际中，由于$Q_{\pi }$依赖于$\pi$，而$\pi$是由神经网络参数$\theta$所决定的，因此往往$Q_{\pi }$不能被提出。

因此，策略梯度的一种形式可以被写成如下形式：

这里，如果动作a是离散的，那么只需要对a进行连加就可以将策略梯度算出来。

然而实际应用中往往不会用这个公式来计算策略梯度，而是使用蒙特卡洛近似的方法来近似。

这里对蒙特卡洛近似推导：

这里，有必要解释一下，这里利用了log函数的求导性质，有微积分基础的应该没什么问题，如果仅有高中水平的朋友可以自己上手求一下导，正着看或许有点问题，可以反过来推导，如上图紫色字体。

至此，我们证明了这两项是相等的：

这里我们就可以使用蒙特卡洛近似，推导出如下等式：

上面提到了这个推导不严谨，原因是因为$Q_{\pi }$与策略$\pi$有关，因而与神经网络参数$\theta$有关，但事实上，最后的$Q_{\pi }$对$\theta$也求偏导，最后也能得到这个式子。

至此，我们得到了策略梯度的两种等价形式：

对于离散的动作，我们可以采用第一种形式：

由于第一种形式的使用对象的局限性，因而第二种形式比第一种形式更为常用，这里举了连续动作的一种策略梯度的例子：

显然，这里对$g(A,\theta )$关于A求期望就是策略梯度；且$\hat{a}$是根据策略$\pi$中随机抽样得到的，故$g(\hat{a},\theta )$是策略梯度的一个无偏估计。因此，我们就可以利用$g(\hat{a},\theta )$去近似策略梯度，即蒙特卡洛近似（Monte Carlo Approximation）。具体推导可以参考蒙特卡洛近似。

三、使用策略梯度更新策略网络

那么我们如何估计动作价值函数$Q_{\pi }(s_t,a_t)$？

给出了这两种方法：

REINFORCE：必须获取到一个完整的trajectory才能进行一次模型参数的更新，也就是蒙特卡罗方法（MC Method）来估计Q

Actor-Critic（AC）：使用另一个神经网络来近似$Q_{\pi }$

四、总结（Summary）

Actor-Critic Method（AC Method）

Actor-Critic方法，是策略学习和价值学习结合的一种方法。

Actor是策略网络，用来控制Agent运动，可以看做“运动员”。

Critic是价值网络，用来给动作打分，可以看做“裁判”。

一、价值网络和策略网络（Value Network and Policy Network）

首先回顾状态价值函数$V_{\pi }(s)$，它是动作状态函数$Q_{\pi }(s,a)$的数学期望，如果动作是离散的，那么它是由策略函数$\pi (a|s)$作为权重系数，和动作价值函数$Q_{\pi }(s,a)$(可以评价动作的好坏程度)相乘并对a做求和得到。如果动作是连续的，那么就要对a求积分。

**①Policy network（Actor）:**控制Agent运动，即在某一状态s做出动作a

我们利用策略网络$\pi (a|s;\theta )$来近似策略函数$\pi (a|s)$，$\theta$是一个可训练的神经网络参数。

**②Value network（Critic）:**不控制Agent运动，仅给Agent打分

我们利用价值网络$q(s,a;w)$来近似价值函数$Q_{\pi }(s,a)$，w是一个可训练的神经网络参数

1）策略网络（Policy Network）（Actor）

以超级玛丽为例：

该网络有一个输入：状态s

将超级玛丽的一帧画面传输到策略网络中，即输入一个状态s。

价值网络中包含：一个卷积层，将一帧画面变成特征向量；全连接层，将特征向量转变为相对于动作空间（Action Space）中元素个数对应的向量；再采用Softmax激活函数将其转换为求和为1的值，即一策略的概率密度。

2）价值网络（Value Network）（Critic）

以超级玛丽为例：

该网络有两个输入：状态s和动作a

将超级玛丽的一帧画面传输到价值网络中，即输入一个状态s；以及策略网络（Actor）做出的一个动作a传入到价值网络中，即输入一个动作a。对于离散动作而言，这里可以采用独热编码（one-hot encoding），具体可以参考学习笔记 | 独热编码(One-Hot Encoding)，这里不再对独热编码进行过多介绍。

对于两个不同的输入，处理方法如下：

针对于状态s，采用一个卷积层，从输入中提取特征，获得一个状态特征向量

针对于动作a，采用一个全连接层，从输入中提取特征，获得一个动作特征向量

然后将两个特征向量进行拼接，得到一个更高维的特征向量，再通过一个全连接层输出一个实数$q(s,a;w)$，即Critic对于Agent处于状态s下做出动作a的评价。

值得一提的是，价值网络和策略网络中的参数是可以共享的；当然，其中的参数也可以各自独立。

同时训练价值网络和策略网络就是Actor-Critic Method（AC Method）

二、训练神经网络（Train the Neural Network）

因此，我们可以用策略网络和价值网络来近似状态价值函数。

针对于两个网络的参数$\theta$和w，我们的更新方法是不一样的：

对于$\theta$，它是策略网络的参数。我们更新参数$\theta$是为了让状态价值函数$V(s;\theta ,w)$的值增加，$V(s;\theta ,w)$是对策略$\pi$和状态s的评价。如果固定状态s，那么$V(s;\theta ,w)$越大，意味着策略$\pi$越好；同理，如果固定策略$\pi$，$V(s;\theta ,w)$越大，则状态s越好。

对于w，它是价值网络的参数。我们更新参数w是为了让价值网络对于动作的打分更精准，从而更好地估计未来奖励的总和。它相当于是裁判，一开始并没有打分能力，因此在初始阶段，Critic的打分都是瞎猜的，它会通过环境给的奖励Reward来更新w，最后Critic的打分会越来越精准。

利用如下五个步骤来对两个神经网络做一次更新：

1） 使用时序差分算法更新价值网络q（Update Value Network q Using TD）

解释一下，流程大概是这样的：

当我们使用TD算法去更新价值网络q时，要首先获取到Actor给出的t时刻和t+1时刻的状态$s_t$、$s_{t+1}$以及动作at、at+1，此时Critic网络中的参数为wt。因此我们就能得到我们的TD target：$y_t$，有了TD target和t时刻的观测值，即可写出Loss L(w)，且以L2范式形式表示，然后利用梯度下降（Gradient Descent）去更新Critic网络中的参数w，记为wt+1。需要注意的是，Agent并不会做出at+1这个动作，仅仅是用于Critic用于TD算法的参数更新

直接附图：

2）使用策略梯度更新策略网络$\pi$（Update Policy Network $\pi$ Using Policy Gradient）

首先回顾一下策略梯度：

策略梯度是对自定义函数g(A,θ)关于A求期望，由于一个g(A,θ)是对整体的g(A,θ)的一个无偏估计，因此这里用了蒙特卡洛近似。

解释一下，流程大概是这样的：

根据策略$\pi$对动作a进行一次随机抽样，然后针对该动作a进行一次随机梯度上升（Stochastic Gradient Ascent SGA），用于更新$\theta$，记为θt+1。

AC方法的整体流程和对应关系：

3）算法总结（Summary of Algorithm）

直接上图，非常清晰：

值得注意的是，在论文和教科书中，最后一步往往不适用qt，而采用的是TD error $\delta t$。使用$\delta t$叫做基线策略梯度（Policy Gradient with Baseline），其效果更好。好的baseline可以降低方差，使算法收敛更快。

Baseline：任何接近qt的数都可以是baseline，但它不能是$a_t$的函数，即不与$a_t$存在映射关系。

三、总结（Summary）

蒙特卡洛算法 Monte Carlo Algorithms

一、蒙特卡洛树搜索（Monte Carlo Tree Search）

举个例子：人类在下棋的时候，必须多看几步，做出可能的结果

因此蒙特卡洛树搜索的主要思想是：

①首先选取一个动作a（这里选取的是一个相对较好的动作）

②然后观测这个动作a能否致胜

③多次重复这个步骤

④选择最高分数的动作$a^{\ast }$

蒙特卡洛树搜索的每次模拟都包含这四步：

**①选择Selection：**Agent做出一个动作a（这个动作是一个假想的动作，并不会让Agent实际做出动作）

**②拓展Expansion：**对手会根据策略$\pi$做出一个动作，随后状态更新（同样也是一个假想的动作，且动作是由策略网络$\pi (s,a;\theta )$所决定的）

**③评估Evaluation：**价值网络会对这个状态和动作进行打分，记作v。同时，完成一个trajectory后（即完成一次对局）获得的奖励（Reward）记作r。对该动作a进行标记分数$(v+r)/2$

**④更新Backup:**用步骤③中标记动作分数的值来更新动作分数

具体步骤如下：

二、应用一：计算$\pi$（Application 1：Calculating $\pi$）

在开始正式的蒙特卡洛方法开始前，先使用蒙特卡洛方法去计算圆周率$\pi$作为引子。

实际上，我们已经知道了$\pi$≈3.141592653589...但我们能否使用随机数生成器去近似获取圆周率$\pi$呢？

接下来我们使用蒙特卡洛方法去近似生成$\pi$：

给定一个正方形，中心为原点，边长为2。因此其中包含了一个单位圆。学过概率论的朋友会通过古典概型得知：这个概率显然是用圆的面积去除以正方形的面积。

这里假设是在正方形中进行n次随机抽样，那么对于这n次抽样，我们知道它的期望是$P\times n=\pi \times n/4$，这是由于n次独立的随机抽样而得到的。

我们均匀的随机抽样m个点，如果n是一个很大的数，那么m也就越来越接近π*n/4。通过移项，就可以得到$\pi$。

利用大数定律，可以知道当n趋于无穷时，4m/n也趋于$\pi$。

结论如下：

三、应用二：蒲丰投针（Buffon's Needle Problem）

可以参考这篇文章【概率论】蒲丰投针问题，具体不再过多赘述。

四、应用三：阴影面积估计（Area of A Region Estimation）

与应用一类似：在正方形中随机采样n个点，那么就能将落在阴影区域内的期望求出来。我们实际观测到了m个点在这个阴影区域。如果n很大，那么m就近似等于它的期望。通过移项，将阴影区域的面积A2算出来。

五、应用四：求积分（Integration）

蒙特卡洛方法近似求积分在工程上有十分重要的应用，例如对于某个函数f(x)的积分，就可以采用如下的蒙特卡洛方法。

① 一元函数的定积分

② 多元函数的定积分

六、应用五：期望估计（Estimate of Expectation）

非常重要!!!

SARSA算法

一、推导TD Target（Derive TD Target）

首先回顾一下折扣回报（Discounted Return），其中$\gamma$是折扣率

当我们提取出一个$\gamma$，会发现有如下等式，且括号内部的是下一步的折扣回报$(U_t+1)$

由此，我们得到了一个等式，来反映相邻两个回报之间的关系

我们通常认为，奖励$R_t$取决于当前的状态$s_t$，当前的动作at以及下一状态$s_{t+1}$

根据定义，我们可以得到$Q_{\pi }(s_t,a_t)$是回报Ut的条件期望，这里利用上述公式代换掉Ut，那么就可以得到如下式子：

也许会有问题，博主在看的时候也有这个问题。对Ut+1求期望不已经是$Q_{\pi }(S_{t+1},A_{t+1})$了么，但实际上是这样的：$Q_{\pi }(S_{t+1},A_{t+1})$ 是期望，期望是对 $s_{t+2},a_{t+2},s_{t+3},a_{t+3},\cdots$ 这些变量求的，所以 $Q_{\pi }(S_{t+1},A_{t+1})$ 跟这些变量无关。$Q_{\pi }(S_{t+1},A_{t+1})$ 还依赖于变量$S_{t+1},A_{t+1}$。$E[Q_{\pi }(S_{t+1},A_{t+1})]$ 进一步消掉 $S_{t+1},A_{t+1}$ 这两个变量。

因此我们可以得到这样的等式：

近似方法如下：

因此，TD learning就是让$Q_{\pi }(s_t,a_t)$不断接近我们的TD target $y_t$

二、表格形式的Sarsa（Sarsa：Tabular Version）

如果我们想学习动作价值函数$Q_{\pi }(s,a)$，我们可以使用一个如果输入的状态和动作是有限的，那么我们就可以画一个表格：一行对应一个状态$s_i$，一列对应一个动作$a_j$，那么表中的每个元素则对应着在该状态和该动作下的动作价值$Q_{\pi }(s_i,a_i)$。我们要做的就是用Sarsa算法去更新表格，每次更新一个元素。

当我们观测到一个四元组$(s_t,a_t,r_t,s_{t+1})$，这样的一个四元组被称为transition。然后采用策略函数$\pi$去采样一个$a_{t+1}$，接着计算TD target $y_t$。这里假设$s_{t+1}$为$s_2$，$a_{t+1}$经过采样为$a_3$，那么我们经过查表获取到了对应的$Q_{\pi }(S_{t+1},A_{t+1})$。

同时我们也能计算出TD error δt

然后利用δt更新$Q_{\pi }(s_t,a_t)$，其中α是学习率

三、神经网络形式的Sarsa（Sarsa:Neural Network Version）

我们可以采用价值网络来近似$Q_{\pi }(s,a)$，记为$q(s,a;w)$。注意，动作价值函数$Q_{\pi }$和价值网络q都与策略$\pi$有关，策略$\pi$的好坏会影响这两个函数。

神经网络$q(s,a;w)$被称为价值网络，它的输入是一个状态s，输出是状态s下对应动作的价值。如果有n个动作，那么价值网络q就会输出一个n维向量，向量元素对应在状态s下，各动作a的价值。

TD target，记作$y_t$，是实际观测的奖励rt与折扣价值网络的预测值$\gamma q(S_{t+1},A_{t+1};w)$之和

TD error，记作δt，是价值网络对当前状态和动作的估计$q(s_t,a_t;w)$与TD target之差，我们希望它越小越好

Loss，记作L，以1/2倍δt的L2范式作为Loss，我们希望通过更新价值网络的参数w来减小Loss

Gradient，Loss对w求梯度，利用梯度下降来获取到Loss的局部最小值

Gradient descent，梯度下降算法，用于更新价值网络参数w

四、总结（Summary）

我们采用Sarsa算法主要是用于学习动作价值函数$Q_{\pi }(s,a)$

这里有两种形式：

①表格形式（直接学习$Q_{\pi }$）

这种形式对于有限个状态和动作且数量不大。通过一张表格记录每种状态和动作对应的$Q_{\pi }(s,a)$的值，通过采用TD算法更新表中每个$Q_{\pi }(s,a)$的值。

②神经网络形式（采用函数近似）

这种形式并不是直接获取$Q_{\pi }(s,a)$，而是通过价值网络$q(s,a;w)$来近似动作价值函数$Q_{\pi }(s,a)$。它实际上TD算法来更新价值网络参数w，使价值网络$q(s,a;w)$更好。应用有学习笔记4的AC算法中的Critic网络。

Q-Learning算法

一、Sarsa算法与Q-Learning算法对比

1）Sarsa算法

①Sarsa算法目的是为了训练动作价值函数$Q_{\pi }(s,a)$

②TD Target记作yt，它是当前观测到的奖励rt和动作价值函数对于下一状态和下一动作的预测值乘以折扣因子γ之和

③我们使用Sarsa算法来更新价值网络，即AC算法中的Critic网络。

2）Q-Learning算法

①Q-Learning是用于学习最优动作价值函数$Q^{\ast }(s,a)$

②TD Target记作yt，是当前观测到的奖励rt与价值函数对于下一步状态下最优动作的预测值乘以折扣因子γ之和

③我们用Q-Learning算法来更新DQN

二、推导TD Target（DeriveTD Target）

我们已经知道对于所有的π，已经有了如下的等式：

如果这里的π是最优策略π*，那么就会有如下的等式:

我们往往采用$Q^{\ast }$去替换Q_π*，因此有了如下的等式：

我们推导一下这个式子，由于$Q^{\ast }(S_{t+1},A_{t+1})$是对下一步状态下最优动作的动作价值函数，因此，这里的$A_{t+1}$必然要选择使$Q^{\ast }(S_{t+1},A_{t+1})$最大化的动作$a^{\ast }$，因此有了如下的结论：

代入上面的等式，就可以得到如下等式：

然而，直接求式子中的期望十分困难，因此这里采用蒙特卡洛近似：

将Rt近似为观测到的rt，用观测到的下一状态$s_{t+1}$去近似$S_{t+1}$，因此蒙特卡洛近似后的式子如下：

至此，我们得到了TD Target yt

三、表格形式的Q-Learning（Q-Learning：Tabular Version）

具体步骤如下

①观测到一个四元组$(s_t,a_t,r_t,s_{t+1})$，这里称之为一个transition

②我们在上一节已经推导出TD Target。实际上，这里的Q是一张表格，我们要找到对应的状态$s_{t+1}$并找到最大的动作价值函数$Q(s_{t+1},a^{\ast })$,用于计算TD Target yt。

③接下来，我们计算TD error δt

④最后，我们利用如下公式来更新表格中的Q*(st,at)

四、神经网络形式的Q-Learning（Q-Learning：DQN Version）

我们采用DQN $Q(s,a;w)$来近似最优动作价值函数$Q^{\ast }(s,a)$

DQN采用如下公式来控制Agent，而我们就是帮助DQN来学习到更好的神经网络参数w

具体步骤如下：

①

观测到一个四元组$(s_t,a_t,r_t,s_{t+1})$，这里称之为一个transition

②TD Target yt，与上一小节类似，这里只是将表格中的Q(st+1,a)换成了Q(st+1,a*;w)

③TD error δt类似

④最后，我们采用梯度下降来更新神经网络参数w

五、总结（Summary）

这里要注意Q-Learning与Sarsa的区别：Sarsa算法是学习动作价值函数$Q_{\pi }$；而Q-Learning是学习最优动作价值函数Q*。一个是随机取一个动作$a_{t+1}$，一个是取最大Q的$a_{t+1}$,但其目的都是让Agent获得到更高的分数。

Multi-Step TD Target

一、Sarsa算法与Q-Learning算法（Sarsa versus Q-Learning）

1）Sarsa

①Sarsa算法目的是为了训练动作价值函数$Q_{\pi }(s,a)$

②TD Target记作yt，它是当前观测到的奖励rt和动作价值函数对于下一状态和下一动作的预测值乘以折扣因子γ之和

③我们使用Sarsa算法来更新价值网络，即AC算法中的Critic网络。

2）Q-Learning

①Q-Learning是用于学习最优动作价值函数$Q^{\ast }(s,a)$

②TD Target记作yt，是当前观测到的奖励rt与价值函数对于下一步状态下最优动作的预测值乘以折扣因子γ之和

③我们用Q-Learning算法来更新DQN。

不管是Sarsa还是Q-Learning，它们都只使用一个奖励rt，即只使用一个transition中的奖励rt，下一次使用另个transition来更新动作价值$Q_{\pi }$，这种方式算出来的TD Target叫做One-Step TD Target。

二、多步TD Target（Multi-Step TD Target）

其实，我们可以使用多个奖励，如rt,rt+1，即使用多个transition中的奖励去更新动作价值$Q_{\pi }$，这种方法计算出来的TD Target叫做Multi-Step TD Target，

1）推导多步回报（Derive Mutil-Step Return）

我们已经知道的Ut与Ut+1的关系，然后再进行一次递归，将Ut+1用Ut+2表示，经过多步迭代，因而产生了Ut与Ut+m的关系，这个公式我们就称之为多步回报（Mutil-Step Return）

2）Sarsa算法中的多步TD Target（m-Step TD Target for Sarsa）

①多步TD target

②若$m=1$，即单步TD target，也就是经典的TD算法

需要注意的是，这种单步的TD Target的训练效果往往不如多步的TD Target的训练效果

3）Q-Learning算法中的多步TD Target（m-Step TD Target for Q-Learning）

①多步TD target

②若$m=1$，即单步TD target，也就是经典的TD算法

需要注意的是，这种单步的TD Target的训练效果往往不如多步的TD Target的训练效果

三、单步TD Target与多步TD Target对比（Comparison of One-step TD target and Multi-step TD target）

Multi-Step TD target的表现更好，更接近真实数据，偏差更小，结果也更稳定；而单步是多步的特例。

经验回放 Experience Replay

一、回顾深度Q网络和时序差分算法（Revisiting DQN and TD Learning）

1）Deep Q Network（DQN）

DQN采用价值网络$Q(s,a;w)$来近似最优动作价值函数$Q^{\ast }(s,a)$

2）TD Learning

我们通常使用TD算法来训练DQN，这里我们回顾一下TD算法的步骤：

①Agent在t时刻观测到一个状态st并做出动作at

②Agent与环境交互获得了一个新的状态$s_{t+1}$并且获得了一个奖励rt

③此时，我们得到了TD Target yt

④继而写出TD error δt

我们的目标是让qt接近yt，即使TD error δt尽量的小

因此TD算法就是寻找一个神经网络参数w使损失函数（Loss Function）L(w)尽可能的小

⑤采用梯度下降来使wt不断逼近$w^{\ast }$

$(s_t,a_t,r_t,s_{t+1})$是一个四元组，这是一个transition，可以认为是一条训练数据，传统算法在使用完该训练数据后就把它丢掉，不再使用，这种对于DQN的训练效果并不好。

二、为什么要使用经验回放（Why use the Experience Replay）

其实，关于讨论为什么要使用经验回放，其实就是在讨论不使用经验回放会有什么缺点，以及使用了经验回放有什么有点。

1）缺点一：浪费经验（Shortcoming 1：Watse of Experience）

传统的TD算法每次仅使用一个transition，使用完后就丢掉，不再使用，这会造成浪费

2）缺点二：关联性更新（Shortcoming 2：Correlated Updates）

传统TD算法会按照顺序使用transition$(s_t,a_t,r_t,s_{t+1})$，前后两条transition之间有很强的关联性，即st和$s_{t+1}$非常接近，实验表明这并不利于把DQN训练的很好。

三、经验回放（Experience Replay）

1）回放缓冲区（Replay Buffer）

我们在使用完一个transition时，会把一个transition放入一个队列里，这个队列被称之为回放缓冲区（Replay Buffer），它的容量是一个超参数（Hyper Parameter）n，Replay Buffer可以存储n条transitions。

如果Replay Buffer满了，那么新来的transition会替代老的transition

2）TD算法中经验回放（TD with Experience Replay）

我们通过找到神经网络参数w来最小化损失函数Loss Function。

我们是用随机梯度下降（Stochastic Gradient Descent SGD）来最小化损失函数Loss Function：从buffer中随机抽取一个transition（si,ai,ri,si+1）,然后计算TD error δi，再算出随机梯度（Stochastic Gradient）gi，使用随机梯度下降(SGD)来调整神经网络参数w。

值得一提的是，实践中，通常使用mini-batch SGD,即每次抽取多个transitions，算出多个随机梯度，利用这多个随机梯度的平均来更新神经网络参数w。

3）经验回放的优势（Benefits of Experience Replay）

①打破了经验的相关性

②重复利用过去的经验

四、优先经验回放（Prioritized Experience Replay）

1）基础思想（Basic Idea）

对于Agent而言，并不是所有的transition都是同等重要的。例如在超级玛丽游戏中，左侧的普通关卡和右侧的boss关卡，它们的重要性就不一样：普通关卡很常见，而boss关卡需要通过很多普通关卡后才能进行。因此，我们必须让Agent珍惜数量更少的boss关卡，即让Agent充分利用boss关卡的这一经验。

实际训练中，我们怎么样让Agent知道哪个transition是重要的呢？

可以使用TD error的L1范式，即|δt|来判断它的重要。|δt|越大，就说明transition就越重要，应该给这个transition更高的优先级。

解释一下：训练出的DQN对于数量较少的场景不熟悉，所以预测就会偏离TD Target，因此产生的TD error就比较大，即|δt|就大。正因为DQN不熟悉数量较少的场景，所以要让DQN给这些场景更高的优先级，让它更好的应对这样的场景。

2）核心想法（Core Idea）

优先经验回放（Prioritized Experience Replay）的核心在于：使用非均匀抽样代替均匀抽样。这里有两种抽样方式：

①抽样概率pt正比于|δt|+ε

其中，ε是一个很小的数，避免抽样概率pt等于0

②对|δt|排序

|δt|越大越靠前，|δt|越小越靠后

两种方法的原理都是一样的：|δt|越大，就抽样概率pt就越大。

3）调整学习率（Scaling Learning Rate）

TD算法采用SGD来更新神经网络参数w，α是学习率。

如果做均匀抽样，那么所有的transitions的学习率α都相同；如果做非均匀抽样，那么就要根据每个transition的重要性来调整学习率。

如果一个transition有一个较大的抽样概率pt，那么对这个transition的学习率就应该调小，可以采用如下圈出的方法来自适应调整学习率的因子：如果pt很大，那么学习率就会变小

4）更新TD Error（Update TD Error）

为了做优先经验回放（PER），我们要对每一个transition标记上TD error δt。δt决定了这条transition的重要性，决定了它被抽样的概率。

如果一个transition刚刚被收集到，我们并不知道它的δt，那么我们就直接把它的δt设置为最大值，让它有最高的优先级。

每次从buffer中抽取一个transition，都要对它的δt进行一次更新

五、总结（Summary）

相比于传统的经验回放（ER），优先经验回放（PER）在每个transition中标注了δt，并根据δt的不同来确定不同的抽样概率和学习率，从而达到非均匀抽样的效果。

置信域策略优化（Trust Region Policy Optimization，TRPO）

一、Optimization Basics

1）梯度上升（Gradient Ascent）

梯度上升是求取最大值所对应参数值的最简单的方法，只需要不断重复如下操作，就能让参数值不断逼近梯度最大的值。这里的问题是求最大值对应的参数值，采用了梯度上升。如果是求取最小值对应的参数值，那么就要采用梯度下降。

2）随机梯度上升（Stochastic Gradient Ascent）

使用梯度上升算法的前提是我们已经知道了目标函数$J(\theta )$的关于变量θ的梯度。但有些情况下梯度是算不出来的。如下例：如果$J(\theta )$是状态价值网络V(S;θ)对于S求期望，求期望需要求取定积分，而定积分可能不存在解析解，因此我们求不出这个期望，所以我们无从得知梯度。

虽然求不出梯度，但我们可以求出随机梯度，随机梯度是对期望的蒙特卡洛近似。用随机梯度代替梯度，那么得到的算法就是随机梯度上升。随机梯度上升要重复下述三个步骤：

3）置信域（Trust Region）

我们用$N({\theta }_{old})$来表示${\theta }_{old}$的邻域。也就是一个集合，其中包含${\theta }_{old}$附近所有的点，

下述的数学表达式表示：$N({\theta }_{old})$是θ与${\theta }_{old}$的L2范数距离$\le \Delta$，$\Delta \ge 0$，如下图所示：

如果我们有一个函数，$L(\theta |{\theta }_{old})$，且在邻域$N({\theta }_{old})$内非常接近$J(\theta )$，那么$N({\theta }_{old})$就被称为置信域

需要注意的是，$L(\theta |{\theta }_{old})$仅在其置信域中与$J(\theta )$非常接近，并不意味着在任何地方都与$J(\theta )$接近

4）置信域算法（Trust Region Alforithms）

刚刚我们补充了置信域（Trust Region），那么这里就要使用置信域的性质，即在置信域中，我们人为构造的函数$L(\theta |{\theta }_{old})$非常接近目标函数$J(\theta )$，因此我们可以在置信域内用$L(\theta |{\theta }_{old})$来代替$J(\theta )$，于是在置信域内能让函数最大化的点，也能让$J(\theta )$最大化，这就是置信域算法的基本思路。置信域算法就是多次重复这个步骤：

图中：蓝色圆圈代表置信域，黑线代表则是函数的方向。置信域的半径有可能改变。

二、Policy-Based Reinforcement Learning

首先回顾一下基础知识：

接下来做数学推导，将状态价值函数改写成其他形式：

如果将$\pi (a|s;{\theta }_{old})$作为概率密度函数，那么这个式子实际就是圈出部分的期望，期望是对动作a求的。

因此我们的目标函数就可以被替换成这样：

这个公式是TRPO最重要的公式！！！

三、Trust Region Policy Optimization（TRPO）

我们通常使用策略梯度算法来学习策略网络。策略梯度算法虽然很快，但它的表现并不稳定：一方面是对超参数的设置比较敏感：学习率设置对结果影响很大；策略梯度算法的随机性大，学习过程算法的表现波动非常大。策略梯度算法的收敛曲线通常会剧烈上下波动。

比起策略梯度算法，TRPO的表现更加稳定。TRPO对于超参数的设置不太敏感，算法的收敛曲线也不会剧烈波动。此外，TRPO还有一个很好的优点：Sample Efficient,也就是说观测到同样数量的奖励，TRPO可以训练出更好的策略网络。

概括一下TRPO：

1）Step 1：Approximation

已知变量θ当前的值为${\theta }_{old}$，我们对目标函数$J(\theta )$在${\theta }_{old}$处做近似。

这里的期望是对于状态S和动作A求的，把S和A看做随机变量

状态S的随机性来自环境的状态转移，状态转移是环境做的，我们不知道状态转移函数，因此我们可以把Agent实际观测到的状态看作成在环境中随机抽样得到的结果

动作A的随机性来自控制Agent的策略π，Agent实际的动作就是从策略π中随机抽样得到的

实际就是让Agent与环境进行交互，获得一个trajectory，因而就有如下推导：

所以我们利用$L(\theta |{\theta }_{old})$对$J(\theta )$做近似：

然而到这一步，我们仍然无法让$L(\theta |{\theta }_{old})$对$J(\theta )$做近似。原因在于，我们并不知道动作价值函数Qπ是什么，因此我们要对动作价值函数$Q_{\pi }$做近似。

这里使用观测到的折扣回报$u_i$来对$Q_{\pi }(s_i,a_i)$进行蒙特卡洛近似

至此，我们得到了构造函数$L(\theta |{\theta }_{old})$在${\theta }_{old}$附近对于目标函数$J(\theta )$的近似

2）Step 2：Maximization

我们在求解最大化问题的时候，需要注意的是：这个最大化问题是有约束的

有了这个约束条件，那么即使第一步近似做的不够好，或者第二步最大化做的不够好，新的解${\theta }_{new}$也不会离旧的解${\theta }_{old}$太远，不至于让θ变得太糟糕。

这里有两种方法来衡量两者之间的距离：

让θ落在以${\theta }_{old}$为圆心，△为半径的球中。

使用KL Divergence来衡量两个概率分布之间的距离，关于KL Divergence可以参考这篇博客关于KL散度（Kullback-Leibler Divergence）的笔记。如果θ与${\theta }_{old}$越接近，那么两个π输出的概率分布就会越接近，那么KL Divergence就会越小。所以使用KL Divergence的目的也是让新的θ不要离旧的${\theta }_{old}$太远，新的参数θ要在旧的${\theta }_{old}$邻域里（置信域）

四、TRPO总结（TRPO：Summary）

算法的第1、2、3步没有需要调节的超参数

算法的第4步，需要一个内循环，用梯度投影等方法来求解该优化问题。且有两个超参数，一个是梯度下降的步长，另一个是置信域的半径△。但对TRPO的效果影响不大。

五、Policy Gradient Versus TRPO

直接附图：

PPO(TROP简化改进版)

我们以超级马里奥游戏为例，逐步了解强化学习中涉及的基本概念：

• 环境 (Environment)：环境是智能体所处的外部系统，它负责产生当前的状态，接收智能体的动作并返回新的状态和对应的奖励。环境的作用相当于模拟现实中的条件和反应规则，智能体只能通过与环境的交互来了解其动态变化。以超级马里奥游戏为例，环境包括玩家看到的游戏画面和后台程序逻辑。环境控制了游戏进程，例如生成敌人、提供奖励以及决定游戏何时结束。智能体并不知道环境的内部实现细节，只能依靠输入输出规则与环境互动。
• 智能体 (Agent)：智能体是强化学习中的决策者，它会不断地观察环境的状态，并根据其策略选择动作。智能体的目标是通过选择一系列最优动作，获得尽可能多的累积奖励。
• 状态 (State)：状态是环境在特定时刻的全面描述。对于智能体而言，状态是决策的基础，它包含了关于当前环境的所有重要信息。
• 动作 (Action)：动作是智能体对当前状态的反应。基于当前的状态，智能体使用其策略函数来决定下一步要采取的动作。例如，在超级玛丽中，动作可以包括“向左移动”、“向右移动”和“跳跃”。动作可以是离散的（如跳跃或移动的方向选择）或者连续的（如机器手臂在三维空间中的移动角度）。强化学习的核心在于使智能体学会如何在每个状态下选择最优的动作，从而最大化回报。
• 奖励 (Reward)：奖励是环境对智能体执行动作后给予的反馈。奖励可以是正的（奖励）或者负的（惩罚）。例如，在超级马里奥游戏中，吃到金币可以获得正奖励（例如 +10 分），而碰到敌人会得到负奖励（例如 -100 分）。
• 动作空间 (Action Space)：指智能体在当前状态下可以选择的动作集合。
• 轨迹 (Trajectory)：轨迹（又称为回合或episode）是指智能体在一次完整的交互过程中经历的一系列状态、动作和奖励的序列。轨迹通常表示为 $\tau =(s_0,a_0,s_1,a_1,\dots ,s_T)$，其中 $s_i$ 表示第 $i$ 时刻的状态，$a_i$ 表示智能体在状态 $s_i$ 下选择的动作。。比如大语言模型生成时，它的状态就是已经生成的token序列。当前的动作是生成下一个token。当前token生成后，已生成的序列就加上新生成的token成为下一个状态。
• 回报 (Return Reward)：表示从当前时间步开始直到未来的累积奖励和，通常用符号 $G_t$ 表示：$G_t=R_{t+1}+R_{t+2}+\cdots +R_T$。回报的定义是智能体决策的重要依据，因为强化学习的目标是训练一个策略，使得智能体在每个状态下的期望回报最大化。

强化学习的目标

在强化学习中，目标是训练一个神经网络 $Policy$ $\pi$ ，在所有状态 $s$ 下，给出相应的 $Action$ ，得到的 $Return$ 的期望值最大。即：

$$E(R(\tau ){)}_{\tau \sim P_{\theta }(\tau )}=\sum _{\tau }R(\tau )P_{\theta }(\tau )$$

其中：

1. $E(R(\tau ){)}_{\tau \sim P_{\theta }(\tau )}$：表示在策略 $P_{\theta }(\tau )$ 下轨迹 $\tau$ 的回报 $R(\tau )$ 的期望值。
2. $R(\tau )$：轨迹 $\tau$ 的回报，即从起始状态到终止状态获得的所有奖励的总和。
3. $\tau$：表示一条轨迹，即智能体在环境中的状态和动作序列。
4. $P_{\theta }(\tau )$：在参数 $\theta$ 下生成轨迹 $\tau$ 的概率，通常由策略或策略网络确定。
5. $\theta$：策略的参数，控制着策略 $P_{\theta }$ 的行为。

所以，我们的目标是找到一个策略 $\pi$，使得 $E(R(\tau ){)}_{\tau \sim P_{\theta }(\tau )}$ 最大。那怎么找到这个策略呢？我们使用梯度上升的办法，即不断地更新策略参数 $\theta$，使得 $E(R(\tau ){)}_{\tau \sim P_{\theta }(\tau )}$ 不断增大。

首先，我们来计算梯度：

$$\begin{array}{rl}\nabla E(R(\tau ){)}_{\tau \sim P_{\theta }(\tau )}& =\nabla \sum _{\tau }R(\tau )P_{\theta }(\tau )\\ & =\sum _{\tau }R(\tau )\nabla P_{\theta }(\tau )\\ & =\sum _{\tau }R(\tau )\nabla P_{\theta }(\tau )\frac{P_{\theta }(\tau )}{P_{\theta }(\tau )}\\ & =\sum _{\tau }{P}_{\theta }(\tau )R(\tau )\frac{\nabla P_{\theta }(\tau )}{P_{\theta }(\tau )}\\ & =\sum _{\tau }{P}_{\theta }(\tau )R(\tau )\nabla \log P_{\theta }(\tau )\\ & \approx \frac{1}{N}\sum _{n=1}^{N}R({\tau }^n)\nabla \log P_{\theta }({\tau }^n)\end{array}$$

接下来，我们来看一下 Trajectory 的概率 $P_{\theta }(\tau )$ 是怎么计算的：

$$\begin{array}{rl}\frac{1}{N}\sum _{n=1}^{N}R({\tau }^n)\nabla \log P_{\theta }({\tau }^n)& =\frac{1}{N}\sum _{n=1}^{N}R({\tau }^n)\nabla \log \prod _{t=1}^{T_n}{P}_{\theta }(a_n^t\mid s_n^t)\\ & =\frac{1}{N}\sum _{n=1}^{N}R({\tau }^n)\sum _{t=1}^{T_n}\nabla \log P_{\theta }(a_n^t\mid s_n^t)\\ & =\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}R({\tau }^n)\nabla \log P_{\theta }(a_n^t\mid s_n^t)\end{array}$$ $$\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}R({\tau }^n)\log P_{\theta }(a_n^t\mid s_n^t)$$

1. $\frac{1}{N}{\sum }_{n=1}^{N}R({\tau }^n)\nabla \log P_{\theta }({\tau }^n)$：对轨迹${\tau }^n$ 的概率对数进行求导，表示利用策略梯度对期望回报进行优化。

2. ${\prod }_{t=1}^{T_n}{P}_{\theta }(a_n^t|s_n^t)$：表示轨迹${\tau }^n$ 中所有步骤$t$上采取的动作$a_n^t$ 在状态$s_n^t$ 下的联合概率。

3. $\nabla \log {\prod }_{t=1}^{T_n}{P}_{\theta }(a_n^t|s_n^t)$：利用对数的可加性，将联合概率的对数梯度分解为各步的对数梯度之和。

4. ${\sum }_{t=1}^{T_n}\nabla \log P_{\theta }(a_n^t|s_n^t)$：对每一步动作的概率对数取梯度，分解为每一步的累加。

5. ${\sum }_{t=1}^{T_n}R({\tau }^n)\nabla \log P_{\theta }(a_n^t|s_n^t)$：利用累积回报$R({\tau }^n)$ 加权每一步的对数梯度，体现策略梯度方法中的优势估计。

6. ${\sum }_{t=1}^{T_n}R({\tau }^n)\log P_{\theta }(a_n^t|s_n^t)$：省略梯度符号后的形式，通常用于描述带有加权对数概率的情况。

那我们应该如何训练一个 Policy 网络呢？受局限我们可以定义loss函数为：

$$loss=-\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}R({\tau }^n)\log P_{\theta }(a_n^t\mid s_n^t)$$

在我们的目标函数前加上负号，就可以转化为一个最小化问题。我们可以使用梯度下降的方法来求解这个问题。 但是，我们在实际训练中，通常会使用更加稳定的方法，即使用基于策略梯度的方法，例如 PPO、TRPO 等。

$$\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}R({\tau }^n)\log P_{\theta }(a_n^t\mid s_n^t)$$

如以上公式所示，如果当前的 Trajectory 的回报 $R(\tau )$ 较大，那么我们就会增大这个 Trajectory 下所有 $action$ 的概率，反之亦然。 这样，我们就可以不断地调整策略，使得回报最大化。 但这明显是存在改进空间的，因为我们只是简单地使用回报来调整策略，而没有考虑到回报的分布，这样就会导致回报的方差较大，训练不稳定。

针对这个问题，我们修改一下公式，首先对 $Reward$ 求和：

$$R({\tau }^n)\to \sum _{t^{\prime }=t}^{T_n}{\gamma }^{t^{\prime }-t}{r}_{t^{\prime }}^n=R_t^n$$

其中：

1. $R({\tau }^n)$：轨迹 ${\tau }^n$ 的累积回报，这里使用了未来回报的折扣求和来表示。

2. $R_t^n$：从时间步$t$开始的未来折扣回报，表示轨迹${\tau }^n$在时间步$t$时的累计回报。

3. ${\sum }_{t^{\prime }=t}^{T_n}$：对时间步$t$到$T_n$（轨迹结束时刻）之间的所有奖励进行求和。

4. ${\gamma }^{t^{\prime }-t}$：折扣因子$\gamma$的幂次，控制未来奖励的权重，$\gamma \in [0,1]$。当$t^{\prime }$ 越远离当前时刻 $t$，其贡献越小。

5. $r_{t^{\prime }}^n$：在时间步 $t^{\prime }$发生的即时奖励。

总的来说，修改后的公式是对未来回报的折扣求和，这样当前动作的概率就不再只取决于当前的回报，而是取决于未来的回报，这样就可以减小回报的方差，使得训练更加稳定。

还有一种情况会影响我们算法的稳定性，那就是在好的局势下和坏的局势下。比如在好的局势下，不论你做什么动作，你都会得到正的回报，这样算法就会增加所有动作的概率。得到reward大的动作的概率大一些，但是这样会让训练很慢，也会不稳定。最好是能够让相对好的动作的概率增加，相对坏的动作的概率减小。

为了解决这个问题，我们可以对所有动作的reward都减去一个baseline，这样就可以让相对好的动作的reward增加，相对坏的动作的reward减小，也能反映这个动作相对其他动作的价值。

所以我们的目标函数就变为：

$$\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}(R_t^n-B(s_n^t))\nabla \log P_{\theta }(a_n^t\mid s_n^t)$$

其中，$B(s_n^t)$ 也需要用神经网络来拟合，这就是我们的 Actor-Critic 网络。Actor网络负责输出动作的概率，Critic网络负责评估Actor网络输出的动作好坏。

接下来我们再来解释几个常见的强化学习概念：

• Action-Value Function：$R_t^n$每次都是随机采样，方差很大，我们可以用 $Q_{\theta }(s,a)$ 来代替，$Q_{\theta }(s,a)$ 表示在状态 $s$ 下采取动作 $a$ 的价值，即从状态 $s$ 开始，采取动作 $a$ 后，按照某个策略 $\pi$ 执行，最终获得的回报的期望值。$Q(s,a)$ 可以用来评估在状态 $s$ 下采取动作 $a$ 的好坏，从而指导智能体的决策，即动作价值函数。

• State-Value Function：$V_{\theta }(s)$ 表示在状态 $s$ 下的价值，即从状态 $s$ 开始，按照某个策略 $\pi$ 执行，最终获得的回报的期望值。$V(s)$ 可以用来评估在状态 $s$ 下的好坏，从而指导智能体的决策，即状态价值函数。

• Advantage Function：$A_{\theta }(s,a)=Q_{\theta }(s,a)-V_{\theta }(s)$，表示在状态 $s$ 下采取动作 $a$ 相对于采取期望动作的优势。优势函数可以用来评估在状态 $s$ 下采取动作 $a$ 的优劣，从而指导智能体的决策，即优势函数。

有了这些概念，我们再回过头来看我们的目标函数：

$$\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}(R_t^n-B(s_n^t))\nabla \log P_{\theta }(a_n^t\mid s_n^t)$$

其中：$R_t^n-B(s_n^t)$就是我们刚刚讲的优势函数，表示在状态 $s_n^t$ 下采取动作 $a_n^t$ 相对于采取期望动作的优势。那我们的目标函数就变成了：最大化优势函数的期望。

$$\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}{A}_{\theta }(s_n^t,a_n^t)\nabla \log P_{\theta }(a_n^t\mid s_n^t)$$

那如何计算优势函数呢？我们重新来看一下优势函数的定义：

$$A_{\theta }(s,a)=Q_{\theta }(s,a)-V_{\theta }(s)$$

$Q_{\theta }(s,a)$ 表示在状态 $s$ 下采取动作 $a$ 的价值，$V_{\theta }(s)$ 表示在状态 $s$ 下的价值。我们来看一下下面这个公式：

$$Q_{\theta }(s_t,a)=r_t+\gamma \cdot V_{\theta }(s_{t+1})$$

其中：

1. $r_t$：执行动作 $a$ 后，在状态 $s_t$ 下获得的即时奖励。

2. $\gamma$：折扣因子，用于确定未来奖励的重要性。折扣因子接近1时，更加关注未来的奖励；接近0时，更加重视即时奖励。

3. $V_{\theta }(s_{t+1})$：价值函数，用参数$\theta$ 表示，估计下一个状态 $s_{t+1}$ 的价值，即从该状态开始的预期未来奖励。

我们把上述公式代入到优势函数的定义中：

$$\begin{array}{rl}{A}_{\theta }(s_t,a)& =Q_{\theta }(s_t,a)-V_{\theta }(s_t)\\ & =r_t+\gamma \cdot V_{\theta }(s_{t+1})-V_{\theta }(s_t)\end{array}$$

我们可以看到，现在优势函数中只剩下了状态价值函数 $V_{\theta }(s_t)$ 和下一个状态的价值函数 $V_{\theta }(s_{t+1})$，这样就由原来需要训练两个神经网络变成了只需要训练一个状态价值网络，这样就减少了训练的复杂度。

在上面的函数中，我们是对Reward进行一步采样，下面我们对状态价值函数也进行action和reward的一步采样。

$$V_{\theta }(s_{t+1})\approx r_{t+1}+\gamma \cdot V_{\theta }(s_{t+2})$$

接下里，我们就可以对优势函数进行多步采样，也可以全部采样。

从图片中提取的公式为：

$$\begin{gathered} A_{\theta }^1(s_t,a)=r_t+\gamma \cdot V_{\theta }(s_{t+1})-V_{\theta }(s_t) \\ {A}_{\theta }^2(s_t,a)=r_t+\gamma \cdot r_{t+1}+{\gamma }^2\cdot V_{\theta }(s_{t+2})-V_{\theta }(s_t) \\ {A}_{\theta }^3(s_t,a)=r_t+\gamma \cdot r_{t+1}+{\gamma }^2\cdot r_{t+2}+{\gamma }^3\cdot V_{\theta }(s_{t+3})-V_{\theta }(s_t) \\ ⋮ \\ {A}_{\theta }^T(s_t,a)=r_t+\gamma \cdot r_{t+1}+{\gamma }^2\cdot r_{t+2}+{\gamma }^3\cdot r_{t+3}+\cdots +{\gamma }^T\cdot r_T-V_{\theta }(s_t) \end{gathered}$$

我们知道，采样的步数越多，会导致方差越大，但偏差会越小。为了让式子更加简洁，定义：

$${\delta }_t^V=r_t+\gamma \cdot V_{\theta }(s_{t+1})-V_{\theta }(s_t)$$ $${\delta }_{t+1}^V=r_{t+1}+\gamma \cdot V_{\theta }(s_{t+2})-V_{\theta }(s_{t+1})$$

其中：

1. ${\delta }_t^V$：是时间步$t$的优势函数，表示当前时刻$t$的即时奖励 $r_t$ 加上下一个状态的折扣价值$\gamma \cdot V_{\theta }(s_{t+1})$ 减去当前状态的估计价值 $V_{\theta }(s_t)$。

2. ${\delta }_{t+1}^V$：是时间步 $t+1$ 的优势函数，类似地表示在时刻 $t+1$ 获得的即时奖励 $r_{t+1}$ 加上状态 $s_{t+2}$ 的折扣价值 $\gamma \cdot V_{\theta }(s_{t+2})$减去状态 $s_{t+1}$ 的价值估计 $V_{\theta }(s_{t+1})$。

那我们究竟要采样几步呢？介绍一下广义优势估计GAE（Generalized Advantage Estimation），小孩子才做选择，我（GAE）全都要。

$$A_{\theta }^{\text{GAE}}(s_t,a)=(1-\lambda )(A_{\theta }^1(s_t,a)+\lambda A_{\theta }^2(s_t,a)+{\lambda }^2{A}_{\theta }^3(s_t,a)+\cdots )$$

假如$\lambda =0.9$:

$$A_{\theta }^{\text{GAE}}(s_t,a)=0.1\cdot A_{\theta }^1(s_t,a)+0.9\cdot A_{\theta }^2(s_t,a)+0.9^2\cdot A_{\theta }^3(s_t,a)+\cdots$$

将上面定义好的${\delta }_t^V$和${\delta }_{t+1}^V$代入到GAE优势函数中：

$$A_{\theta }^{\text{GAE}}(s_t,a)=(1-\lambda )({\delta }_t^V+\lambda \cdot {\delta }_{t+1}^V+{\lambda }^2\cdot {\delta }_{t+2}^V+\cdots )$$

最终我们可以得到：

$$A_{\theta }^{\text{GAE}}(s_t,a)=\sum _{l=0}^{\infty }(\gamma \lambda {)}^l{\delta }_{t+l}^V$$

Proximal Policy Optimization (PPO)

PPO 是 OpenAI 提出的一种基于策略梯度的强化学习算法，它通过对策略梯度的优化，来提高策略的稳定性和收敛速度。PPO 算法的核心思想是在更新策略时，通过引入一个重要性采样比例，来限制策略更新的幅度，从而保证策略的稳定性。

PPO 算法的目标函数为：

$$\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}{A}_{{\theta }^{\prime }}^{GAE}(s_n^t,a_n^t)\frac{\nabla P_{\theta }(a_n^t|s_n^t)}{P_{{\theta }^{\prime }}(a_n^t|s_n^t)}$$

其中：

1. $\frac{1}{N}{\sum }_{n=1}^N$：对 $N$ 条轨迹（采样的样本）取平均值。这里的 $N$ 表示采样轨迹的总数，通过对多个轨迹求平均来估计梯度，以获得更稳定的更新。

2. ${\sum }_{t=1}^{T_n}$：对每条轨迹 $n$ 中的 $T_n$ 个时间步求和，表示对单条轨迹中的所有时间步的累积。

3. $A_{{\theta }^{\prime }}^{GAE}(s_n^t,a_n^t)$：广义优势估计（Generalized Advantage Estimation, GAE），由参数 ${\theta }^{\prime }$ 估计，用于计算在状态 $s_n^t$ 下采取动作 $a_n^t$ 的优势。

4. $\frac{\nabla P_{\theta }(a_n^t|s_n^t)}{P_{{\theta }^{\prime }}(a_n^t|s_n^t)}$：表示策略的梯度，其中分母 $P_{{\theta }^{\prime }}(a_n^t|s_n^t)$ 是旧策略（或目标策略），分子 $\nabla P_{\theta }(a_n^t|s_n^t)$ 是新策略的梯度。这个比值反映了新旧策略在同一状态-动作对上的相对概率密度，利用这一比值来更新策略参数 $\theta$。

整个公式的作用是通过优势估计来计算策略梯度，以优化策略参数，使得策略倾向于选择优势更高的动作，从而提升策略性能。GAE 可以有效降低方差，使得策略优化过程更加稳定和高效。

还是将loss函数取负号，转化为最小化问题，我们可以得到：

$$loss=-\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}{A}_{{\theta }^{\prime }}^{GAE}(s_n^t,a_n^t)\frac{\nabla P_{\theta }(a_n^t|s_n^t)}{P_{{\theta }^{\prime }}(a_n^t|s_n^t)}$$

具体来说，PPO 算法主要包括两个关键的技术：Adaptive KL Penalty Coefficient 和 Clipped Surrogate Objective。

PPO-惩罚（PPO-Penalty）用拉格朗日乘数法直接将 KL 散度的限制放进了目标函数中，这就变成了一个无约束的优化问题，在迭代的过程中不断更新 KL 散度前的系数。即：

$$Los{s}_{kl}=-\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}{A}_{{\theta }^{\prime }}^{GAE}(s_n^t,a_n^t)\frac{P_{\theta }(a_n^t|s_n^t)}{P_{{\theta }^{\prime }}(a_n^t|s_n^t)}+\beta KL(P_{\theta },P_{{\theta }^{\prime }})$$

其中：

• $\beta KL(P_{\theta },P_{{\theta }^{\prime }})$：这是KL散度项，用于限制新旧策略之间的距离，其中 $KL(P_{\theta },P_{{\theta }^{\prime }})$ 表示策略$P_{\theta }$和旧策略$P_{{\theta }^{\prime }}$之间的KL散度。超参数$\beta$控制KL散度项的权重，从而调节新旧策略之间的差异，防止策略更新过大导致不稳定。

整个PPO-KL损失函数的目的是通过限制新旧策略的差异（使用KL散度项）来优化策略，使其更稳定地朝着优势更高的方向进行更新。PPO的这种约束策略更新的方法相比于其他策略优化方法更为稳定且有效。

PPO截断（PPO-Clipped）是 PPO 的另一种变体，它通过对比新旧策略的比值，来限制策略更新的幅度，从而保证策略的稳定性。具体来说，PPO-Clipped 的目标函数为：

$$Los{s}_{clip}=-\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}\min \left(A_{{\theta }^{\prime }}^{GAE}(s_n^t,a_n^t)\frac{P_{\theta }(a_n^t|s_n^t)}{P_{{\theta }^{\prime }}(a_n^t|s_n^t)},\text{clip}\left(\frac{P_{\theta }(a_n^t|s_n^t)}{P_{{\theta }^{\prime }}(a_n^t|s_n^t)},1-ϵ,1+ϵ\right)A_{{\theta }^{\prime }}^{GAE}(s_n^t,a_n^t)\right)$$

• $\text{clip}\left(\frac{P_{\theta }(a_n^t|s_n^t)}{P_{{\theta }^{\prime }}(a_n^t|s_n^t)},1-ϵ,1+ϵ\right)$：裁剪函数，将概率比裁剪到 $[1-ϵ,1+ϵ]$ 区间，防止策略的更新步长过大。这里$ϵ$ 是一个超参数，控制裁剪的范围。

• $\min (\cdot ,\cdot )$：在未裁剪的概率比项和裁剪后的项之间取最小值。这一操作的目的在于限制策略更新幅度，以防止策略偏离旧策略过远，从而导致不稳定的学习过程。

整个PPO-clip损失函数的作用是通过裁剪操作约束策略的变化幅度，使策略更新不会过于激进。这种方式相比于传统策略梯度方法更为稳定，并且在优化过程中能够有效平衡探索和利用。PPO2 的这种裁剪机制是其成功的关键，广泛用于实际的强化学习应用中。

好了，如果你坚持看到了这里，那想必你已经差不多掌握了强化学习的基本思想和PPO算法的基本思想。接下来你可以将PPO应用到大模型的训练中啦！

参考文献

1. Proximal Policy Optimization Algorithms
2. 动手学强化学习
3. 零基础学习强化学习算法：ppo

GSPO vs GRPO vs PPO

PPO

• 重要性权重在序列级别：
  $w(y)={\prod }_{t=1}^T\frac{{\pi }_{\theta }(y_t\mid x,y_{<t})}{{\pi }_{\beta }(y_t\mid x,y_{<t})}$
  颗粒度是“实际生成的 token”，而非词表逐 token 的对齐比较（不同于 KD）。
• 优势函数来自 critic：对每个生成的 token 给出 $A_t$（或回溯得到的 $A(y)$）。PPO 目标常写为
  $\mathbb{E}[\min (r_t{A}_t,\mathrm{clip}(r_t,1-ϵ,1+ϵ)A_t)]$，其中 $r_t$ 即上式 token 比率。
• 注意事项：
  1. critic 与 w 的尺度一致，都是 token 级；
  2. 需要维护与主体模型同量级的价值网，内存/计算开销大，且效果依赖奖励质量。

GRPO

• 思路：移除价值网络，直接用句子级“是否正确”作为奖励 $R(y)$，奖励有效性由标注答案的准确性决定。
• 在一个组（group）内生成多个答案，使用组内对比：只有优于组内平均的样本被强化，从而“内卷”提升性能。
• 奖励是句子级的，但重要性采样沿用 token 级，导致偏差：
  • 无偏权重应该是 $w(y)={\prod }_{t=1}^T\frac{{\pi }_{\theta }(y_t\mid x,y_{<t})}{{\pi }_{\beta }(y_t\mid x,y_{<t})}=e^{{\sum }_t\log r_t}$。
  • GRPO 实际用的是算术平均近似：${\bar{w}}_{\mathrm{AM}}=\frac{1}{T}{\sum }_{t=1}^T{r}_t$。由不等式 $\text{AM}\ge \text{GM}$ 可知 ${\bar{w}}_{\mathrm{AM}}$ 对真实 $w(y)$（几何意义的连乘）存在正偏差。
  • 之所以不用无偏乘积，是因为 $\log w$ 的方差随长度 $T$ 线性增长；T 大容易梯度爆炸，T 小又会梯度消失。
• 另一个噪声来源是单样本采样：一次 roll-out 的估计方差大，但多次采样又会使成本暴涨。

GSPO

• 核心改动：把算术平均的 IS 权重替换为几何平均：
  $w_{\mathrm{GM}}(y)=({\prod }_{t=1}^T{r}_t{)}^{1/T}=e^{\frac{1}{T}{\sum }_t\log r_t}$。这是对无偏估计 $w(y)$ 的 $1/T$ 次幂，偏差显著降低。
• 方差分析（假设 $\log r_t$ 近似独立同分布，均值 $\mu$，方差 ${\sigma }^2$）：
  • $\mathrm{Var}[w_{\mathrm{GM}}]=e^{2\mu +2{\sigma }^2/T}-e^{2\mu +{\sigma }^2/T}$ —— 随长度 T 增长较缓。
  • 对应的 GRPO 算术平均若同样假设 $r_t$ 近似对数正态，会多出指数级的方差放大项（与 $e^{{\sigma }^2}$ 相关），在长序列下明显大于上式。
• 因此 GSPO 相比 GRPO 既接近无偏，又更稳定。
• 裁剪（clip）粒度也改为序列级：对 $w_{\mathrm{GM}}$ 做裁剪而非逐 token，使得 router 波动（MoE 激活差异导致单 token 比率剧烈波动）被序列平均平滑，不会把“极值 token”直接截断。

MoE Router 与裁剪

• 在 MoE 场景，新策略 ${\pi }_{\theta }$ 与旧策略 ${\pi }_{\text{old}}$ 对同一样本大约有 10% token 会激活不同的专家；单 token 权重波动巨大。
• GRPO 的 token 级裁剪会放大噪声，因“错误”专家导致的极值被截掉后，剩余噪声反而提高；需要额外依赖 Routing Replay 保证激活一致。
• GSPO 的序列级权重先平均再裁剪：专家只变动 10% 左右时，对整句的几何平均影响有限，避免把单 token 的极值误杀，从而噪声更可控。
• 对 clip 的讨论：
  1. 因没有 token 级 clip，极端值若出现且无法被其他 token 抵消，可能毁掉整个序列；
  2. 序列级裁剪的代价比 token 级更大，一旦极端值存在，其影响被整体放大。因此需要监控权重分布或结合路由稳定措施。

实现提示

• GSPO 代码相对简洁
• 训练时关注两点：
  1. 记录/可视化 $w_{\mathrm{GM}}$ 的分布与长度相关性，确认方差平稳；
  2. 在 MoE 上监控路由差异（新旧策略专家重合度），必要时配合轻量的路由回放或稳定化技巧。

个人结论

• GSPO 的几何平均权重在偏差与方差间取得更好的折中，尤其适合长序列与 MoE 场景。
• GRPO 的强项在于组内对比提升性能，但其算术平均 IS 带来的偏差和方差放大需要谨慎处理。
• 需要进一步量化的点：不同长度下的权重分布、极端 token 对序列级 clip 的影响、以及在真实 MoE 路由漂移下的稳定性。

DPO 是如何简化 RLHF 的

强化学习基本功(方法论)

学习深度强化学习，最重要的基本功到底是什么？

我先把结论放在最前面，而且结论可能让你不太舒服：你现在的卡住，不是因为你学得不够多，而是因为你缺的不是知识，而是坐标系。

强化学习这个方向，我见过太多聪明人折在半路上。你描述的状态：学了两个月，感觉什么都看过，又什么都没真正掌握。这不是你的问题，而是深度强化学习这个领域本身就极其擅长制造迷茫。

下面我不按教材来讲，直接告诉你：真正决定你能不能走下去的基本功到底是什么。

第一条暴论：深度强化学习的第一基本功，不是算法，是问题建模能力

很多人一上来就问：DQN、PPO、SAC、TD3 到底该学哪个？参数怎么调？loss 为什么不收敛？

但现实是：90% 的强化学习失败，不是算法选错，而是问题根本就不该这么建模。

你有没有认真想过这些问题：

• 这个任务是不是马尔可夫的？
• 状态是不是信息不全？
• reward 有没有在误导 agent？
• 你是在学策略，还是在学 exploit bug？

如果你对这些问题没有感觉，那你学再多算法，都是在盲人调参。

强化学习真正的基本功，是把一个现实问题，压缩成一个“没那么烂”的 MDP。

这一步，比写网络结构难十倍，也重要十倍。

第二条暴论：数学不是为了推公式，而是为了让你知道什么时候该绝望

非科班出身的人，往往有两种极端：一种是恐惧数学，另一种是沉迷数学。

但在强化学习里，数学真正的价值只有一个： 帮你判断这事理论上有没有希望。

• Bellman 方程告诉你：这是个自洽系统，不是玄学
• contraction mapping 告诉你：为什么 value iteration 能收敛
• stochastic approximation 告诉你：为什么你训练不稳定是常态而不是异常

你不需要能手推所有证明，但你必须能在训练崩掉的时候，分清楚：这是实现问题，还是问题本身就不可解。

不知道这一点的人，会把一年时间浪费在一个从一开始就不可能稳定的设定上。

第三条暴论：强化学习最硬的基本功，其实是实验素养

这是几乎所有新手都会忽略的一点。

强化学习不是 supervised learning，你没有 ground truth，你只有 trajectory、reward 曲线和一堆噪声。

这意味着什么？意味着你必须具备比其他方向高一个数量级的实验控制能力：

• 固定随机种子
• 分离算法改动与环境改动
• 理解 variance 从哪里来
• 不被单次 run 欺骗

如果你看到 reward 曲线涨了，就开始兴奋， 那我可以很肯定地说：你还没入门。

在强化学习里，不怀疑实验结果，本身就是一种不专业。

第四条暴论：代码能力不是会写，而是能活着 debug

强化学习的代码，有三个特点：

• 状态流动复杂
• bug 不会立刻报错
• 错了也能“看起来在学习”

这对非科班的人极其不友好。你必须具备：

• 把算法拆成可验证模块的能力
• 用最小环境复现实验现象的能力
• 能从一条 trajectory 里反推 agent 在想什么的能力

很多人不是被算法难死的，是被模型在学，但不知道学了什么这种状态慢慢耗死的。

第五条暴论（最重要）：强化学习真正的基本功，是心理素质

这不是玩笑。

强化学习是所有 AI 方向里，回报延迟最长、反馈最差、挫败感最强的领域之一。

你会经历：连续一周 reward 不涨；改了十个超参，结果随机波动；别人的论文一跑就好，你的环境怎么都不行

如果你需要频繁的正反馈才能坚持，那这个方向会把你折磨得怀疑人生。

能走下去的人，往往不是最聪明的，而是最能忍受我现在不知道问题出在哪的人。

那你现在，到底该补什么？

不是再学一个新算法，而是反过来，补这几件事：

• 用一句话说清楚你的任务是不是一个合理的 MDP
• 能解释 reward 曲线每一个异常波动的可能原因
• 能回答“如果这个方法失败，我打算如何证明不是我实现错了”
• 能明确说出：这个问题，RL 相比 rule-based / optimization 到底优势在哪

如果你开始认真思考这些问题，你会发现你学的东西突然连起来了。

真正危险的阶段，是你刚学一两周、什么都能跑、什么都觉得简单的时候。

强化学习不是靠学完突破的，而是靠一次次否定、重构、再否定。

如果你能熬过这个什么都学过，但什么都不确定的阶段，你才真正踏进了这个领域的门口。