【深度強化學習】目前落地的挑戰(zhàn)與前沿對策

到目前為止，深度強化學習最成功、最有名的應用仍然是 Atari 游戲、圍棋游戲等。即使深度強化學習有很多現(xiàn)實中的應用，但其中成功的應用并不多。為什么呢？本文總結目前的挑戰(zhàn)。

深度強化學習一個嚴重的問題在于需要巨大的樣本量。

用 Rainbow DQN 玩 Atari 游戲，達到人類玩家水平，需要至少1800萬幀，且超過1億幀還未收斂。（已經(jīng)調(diào)優(yōu)了多種超參數(shù)）

AlphaGo Zero 用了2900萬局自我博弈，每一局約有100 個狀態(tài)和動作。

TD3算法在MuJoCo物理仿真環(huán)境中訓練Half-Cheetah、 Ant、 Hopper等模擬機器人，雖然只有幾個關節(jié)需要控制，但是在樣本數(shù)量100萬時尚未收斂。甚至連Pendulum,Reacher這種只有一兩個關節(jié)的最簡單的控制問題，TD3也需要超過10萬個樣本。

現(xiàn)實的問題遠遠比Atari和MuJoCo復雜，其狀態(tài)空間和動作空間都遠大于Atari和MuJoCo，對于簡單問題RL尚需要百萬、千萬級的樣本，那對于現(xiàn)實復雜問題，可想樣本量的恐怖。而且，在游戲中獲取億萬樣本并不困難，但是在現(xiàn)實中每獲取一個樣本都比較困難。舉個例子，用機械手臂抓取一個物體至少需要幾秒鐘時間，那么一天只能收集一萬個樣本；同時用十個機械手臂，連續(xù)運轉一百天，才能收集到一千萬個樣本，未必夠訓練一個深度強化學習模型。強化學習所需的樣本量太大，這會限制強化學習在現(xiàn)實中的應用。

探索階段代價太大

強化學習要求智能體與環(huán)境交互，用收集到的經(jīng)驗去更新策略。在交互的過程中，智能體會改變環(huán)境。在仿真、游戲的環(huán)境中，智能體對環(huán)境造成任何影響都無所謂。但是在現(xiàn)實世界中，智能體對環(huán)境的影響可能會造成巨大的代價。

在強化學習初始的探索階段，策略幾乎是隨機的。

如果應用到推薦系統(tǒng)中，上線一個隨機的推薦策略，那么用戶的體驗會極差，很低的點擊率也會給網(wǎng)站造成收入的損失。

如果應用到自動駕駛中，隨機的控制策略會導致車輛撞毀。

如果應用到醫(yī)療中，隨機的治療方案會致死致殘。

在物理世界的應用中，不能直接讓初始的隨機策略與環(huán)境交互，而應該先對策略做預訓練，再在真實環(huán)境中部署。 其中涉及離線強化學習（Offline RL），是一個很有價值的研究方向。

1. 一種方法是事先準備一個數(shù)據(jù)集，用行為克隆等監(jiān)督學習方法做預訓練。
2. 另一種方法是搭建模擬器，在模擬器中預訓練策略。

超參數(shù)的影響非常大

深度強化學習對超參數(shù)的設置極其敏感，需要很小心調(diào)參才能找到好的超參數(shù)。

超參數(shù)分兩種：神經(jīng)網(wǎng)絡結構超參數(shù)、算法超參數(shù)。這兩類超參數(shù)的設置都嚴重影響實驗效果。換句話說，完全相同的方法，由不同的人實現(xiàn)，效果會有天壤之別。

1. 結構超參數(shù)： 神經(jīng)網(wǎng)絡結構超參數(shù)包括層的數(shù)量、寬度、激活函數(shù)，這些都對結果有很大影響。拿激活函數(shù)來說，在監(jiān)督學習中，在隱層中用不同的激活函數(shù)（比如 ReLU、Leaky ReLU）對結果影響很小，因此總是用 ReLU 就可以。但是在深度強化學習中，隱層激活函數(shù)對結果的影響很大；有時 ReLU 遠好于 Leaky ReLU，而有時 Leaky ReLU 遠好于 ReLU。由于這種不一致性，我們在實踐中不得不嘗試不同的激活函數(shù)。
2. 算法超參數(shù)： 強化學習中的算法超參數(shù)很多，包括學習率、批大小 (Batch Size)、經(jīng)驗回放的參數(shù)、探索用的噪聲。（Rainbow 的論文調(diào)了超過 10 種算法超參數(shù)。）

實驗效果嚴重依賴于實現(xiàn)的好壞。哪怕是一些細微的超參數(shù)區(qū)別，也會影響最終的效果。 即使都用同一個算法，比如 TRPO 和 DDPG 方法，不同人的編程實現(xiàn)，實驗效果差距巨大。

實驗對比的可靠性問題。如果一篇學術論文提出一種新的方法，往往要在 Atari、MuJoCo 等標準的實驗環(huán)境中做實驗，并與 DQN、DDPG、TD3、A2C、TRPO 等有名的基線做實驗對照。但是這些基線算法的表現(xiàn)嚴重依賴于編程實現(xiàn)的好壞，如果你把自己的算法實現(xiàn)得很好，而從開源的基線代碼中選一個不那么好的做實驗對比，那你的算法可以輕松打敗基線。

穩(wěn)定性極差

強化學習訓練的過程中充滿了隨機性。除了環(huán)境的隨機性之外,隨機性還來自于神經(jīng)網(wǎng)絡隨機初始化、決策的隨機性、經(jīng)驗回放的隨機性。想必大家都有這樣的經(jīng)歷：用完全相同的程序、完全相同的超參數(shù),僅僅更改隨機種子(Random Seed),就會導致訓練的效果有天壤之別。如果重復訓練十次,往往會有幾次完全不收斂。哪怕是非常簡單的問題，也會出現(xiàn)這種不收斂的情形。

所以實驗時即使代碼和超參數(shù)都是對的，強化學習也有可能會出現(xiàn)不收斂的情況。監(jiān)督學習則幾乎沒有這種擔憂。

總結與未來

RL需要過多的數(shù)據(jù)量，且現(xiàn)實應用中收集數(shù)據(jù)成本和代價太大。即使收集到合適數(shù)據(jù)，訓練網(wǎng)絡時，超參數(shù)和隨機種子等因素對模型的訓練影響非常大，不穩(wěn)定。
近年來，研究人員提出了多種方法來應對這些問題，提高RL的實用性和效率。以下是一些前沿的改進方法：

1. 使用模擬環(huán)境和數(shù)據(jù)增強，減少對真實世界數(shù)據(jù)的需求，但是這樣訓練出來的模型如溫室的花朵。
2. 事先準備一個數(shù)據(jù)集，用行為克隆等監(jiān)督學習方法做預訓練，再進入現(xiàn)實做環(huán)境交互，進一步訓練。
3. 遷移學習與元學習，減少新任務所需數(shù)據(jù)量。
4. 多任務學習和強化學習的結合，同時學習多個相關任務，共享知識以提高學習效率和泛化能力。
5. 模型基的RL，構建環(huán)境模型以預測未來狀態(tài)和獎勵，減少對真實環(huán)境交互的依賴。
6. 自適應超參數(shù)調(diào)整。
7. 集成學習和強化學習結合，結合多個模型或策略，以減少單一模型或策略的不穩(wěn)定性和偏差。
8. 利用大模型，具身智能等技術，讓模型更具泛化性。

本文內(nèi)容為看完王樹森和張志華老師的《深度強化學習》一書的學習筆記，十分推薦大家去看原書！