深度强化学习算法一图流

在新标签页查看

介绍

本图展示了深度强化学习涉及到的大部分概念的关系，包括：

• 状态、动作、奖励、折扣回报
• 动作价值函数、状态价值函数、优势函数
• 最优动作价值函数、最优状态价值函数、最优优势函数

同时，本图还展示了深度强化学习中大部分算法的数学推导以及训练方法，包括：

• 价值学习
  • 离散动作空间
    • DQN
    • Dueling Network
• 策略学习
  • 离散动作空间
    • REINFORCE
    • Actor-Critic
    • REINFORCE with Baseline
    • Advantage Actor-Critic (A2C)
    • TRPO
    • PPO
  • 连续动作空间
    • DDPG
    • TD3
    • 随机高斯策略网络

使用方法

配合王树森深度强化学习课程使用。

下图对阅读顺序进行了标注：

在新标签页查看

每节课程所涉及的节点标号如下所示：

1. Overview.
   • Reinforcement Learning [1-6].
   • Value-Based Learning [7-9].
   • Policy-Based Learning [10-20].
   • Actor-Critic Methods [21].
   • AlphaGo.
2. TD Learning [22].
   • Sarsa.
   • Q-learning.
   • Multi-Step TD Target.
3. Advanced Topics on Value-Based Learning.
   • Experience Replay (ER) & Prioritized ER [23].
   • Overestimation, Target Network, & Double DQN [24].
   • Dueling Networks [25-30].
4. Policy Gradient with Baseline.
   • Policy Gradient with Baseline [31-34].
   • REINFORCE with Baseline [35-37].
   • Advantage Actor-Critic (A2C) [38-44].
   • REINFORCE versus A2C [45].
5. Advanced Topics on Policy-Based Learning.
   • Trust-Region Policy Optimization (TRPO) [46-48].
   • Partial Observation and RNNs.
6. Dealing with Continuous Action Space.
   • Discrete versus Continuous Control [49].
   • Deterministic Policy Gradient (DPG) for Continuous Control [50-53].
   • Stochastic Policy Gradient for Continuous Control [54-60].
7. Multi-Agent Reinforcement Learning.
   • Basics and Challenges.
   • Centralized VS Decentralized.

注：图中没有标号的节点为课程中没有涉及到的内容（PPO&TD3）。如果需要进一步了解这些内容，可以参考附录中的参考资料。

附录

课程中没有涉及到的算法参考 Stable-Baselines3 文档对应算法 Notes 部分的内容 (Original Paper, OpenAI Spinning Up Guide)。

其他参考资料见图中 Reference 部分。