李宏毅老师2020年深度学习系列讲座笔记3

瞎看吧。。。。至少做个笔记

https://www.bilibili.com/video/BV1UE411G78S?from=search&seid=11796990666136537025

Learning to Interact with Envs

强化学习关键点：

在环境（environment/state）的影响下产生action，action会影响接下来的环境。

不能完全copy模板，1.copy的话reward有上界-永远不能超过模板 2.可能会学一些不相关的有的没的的行为（Behavior Cloning）；更可怕的是很多时候不能全学习，在选择那些更重要更应该学习的时候就失败了。

强化学习的本质问题：

本身对于一个trajectory想要得到一个reward，但是reward函数里面有一些参数是不知道的，因此我们想要通过强化学习给出这些参数

口诀：如果发现不能微分就用policy gradient硬train一发

√critic：

老师给了一个很有意思的例子，是棋魂里面的

如何确认reward的function呢？

a.蒙特卡洛算法

TD方法：

不用玩到最后了，只要再往后玩一步，通过两个value的插值让它尽量接近………………

运用MC和TD的方法：

详细讲讲：

搜论文“Rainbow”

√actor-critic：

只要actor不是根据环境 而是根据critic的反馈学习的都可以叫做actor-critic

经常出现一个问题：实际生活中不像游戏会有一个明确的规则，比如自动驾驶，撞到人给-100分？那么撞到狗呢？这是不确定的；如果一个机器人目标设定是尽可能快地把碗摆放整齐，它有可能直接摔然后碗全碎掉了。。。因此我们有IRL

具体方法：

老师玩一次学生玩一次-定一个reward function让学生的reward比老师低-学生修改使得分高之后-reward function也相应修改-继续学