深度学习课程笔记（七）：模仿学习（imitation learning） 深度学习课程笔记（七）：模仿学习（imitation learning）

 

深度学习课程笔记（七）：模仿学习（imitation learning）

2017.12.10 

 

　　

　　本文所涉及到的 模仿学习，则是从给定的展示中进行学习。机器在这个过程中，也和环境进行交互，但是，并没有显示的得到 reward。在某些任务上，也很难定义 reward。如：自动驾驶，撞死一人，reward为多少，撞到一辆车，reward 为多少，撞到小动物，reward 为多少，撞到 X，reward 又是多少，诸如此类。。。而某些人类所定义的 reward，可能会造成不可控制的行为，如：我们想让 agent 去考试，目标是让其考 100，那么，这个 agent 则可能会为了考 100，而采取作弊的方式，那么，这个就比较尴尬了，是吧 ？我们当然想让 agent 在学习到某些本领的同时，能遵守一定的规则。给他们展示怎么做，然后让其自己去学习，会是一个比较好的方式。

　　本文所涉及的三种方法：1. 行为克隆，2. 逆强化学习，3. GAN 的方法

　　

　　接下来，我们将分别介绍这三种方法：

　　一、Behavior Cloning : 

　　

　　这里以自动驾驶为例，首先我们要收集一堆数据，就是 demo，然后人类做什么，就让机器做什么。其实就是监督学习（supervised learning），让 agent 选择的动作和 给定的动作是一致的。。。

　　

　　但是，这个方法是有问题的，因为 你给定的 data，是有限的，而且是有限制的。那么，在其他数据上进行测试，则可能不会很好。

　　要么，你增加 training data，加入平常 agent 没有看到过的数据，即：dataset aggregation 。

　

 　　通过不断地增加数据，那么，就可以很好的改进 agent 的策略。有些场景下，也许适应这种方法。。。

　　

　　而且，你的观测数据 和 策略是有联系的。因为在监督学习当中，我们需要 training data 和 test data 独立同分布。但是，有时候，这两者是不同的，那么，就惨了。。。

　　于是，另一类方法，出现了，即：Inverse Reinforcement Learning （也称为：Inverse Optimal Control，Inverse Optimal Planning）。

　　

 　　二、Inverse Reinforcement Learning （“Apprenticeship learning via Inverse Reinforcement Learning”， ICML 2004） 

　　顾名思义，IRL 是 反过来的 RL，RL 是根据 reward 进行参数的调整，然后得到一个 policy。大致流程应该是这个样子：

　　

　　但是， IRL 就不同了，因为他没有显示的 reward，只能根据 人类行为，进行 reward的估计（反推 reward 的函数）。

　　

　　在得到 reward 函数估计出来之后，再进行 策略函数的估计。。。

　　

　　原本的 RL，就是给定一个 reward function R(t）（奖励的加和，即：回报），然后，这里我们回顾一下 RL 的大致过程（这里以 policy gradient 方法为例）

　　

　　而 Inverse Reinforcement Learning 这是下面的这个思路：

　　

　　逆强化学习 则是在给定一个专家之后（expert policy），通过不断地寻找 reward function 来满足给定的 statement（即，解释专家的行为，explaining expert behavior）。。。

　　专家的这个回报是最大的，英雄级别的，比任何其他的 actor 得到的都多。。。

　　据说，这个 IRL 和 structure learning 是非常相似的：

　　

　　可以看到，貌似真是的哎。。。然后，复习下什么是 结构化学习：

　　

 

　　我们对比下， IRL 和 结构化学习：

　　

　　=======================================================================

　　

　　我们可以看到，由于我们无法知道得到的 reward 情况，所以，我们只能去估计这些 奖励的函数，然后，我们用参数 w 来进行估计：

　　所以， r 可以写成 w 和 f(s, a) 相乘的形式。w 就是我们所要优化的参数，而 f（s,a）就是我们提取的 feature vector。

　　

 　　

　　那么 IRL 的流程究竟是怎样的呢？？？

　　

　　上面就是 IRL 所做的整个流程了。　　

 

　　三、GAN for Imitation Learning （Generative Adversarial imitation learning, NIPS, 2016） 

　　

　　那么如何用 GAN 来做这个事情呢？对应到这件事情上，我们知道，我们想得到的 轨迹 是属于某一个高维的空间中，而 expert 给定的那些轨迹，我们假设是属于一个 distribution，我们想让我们的 model，也去 predict 一个分布出来，然后使得这两者之间尽可能的接近。从而完成 actor 的训练过程，示意图如下所示：

　　

　　===============================　　过程　　================================

　　

　　====>>　　Generator：产生出一个轨迹，

　　====>>　　Discriminator：判断给定的轨迹是否是 expert 做的？

　　

 

　　==========================================================================

　　Recap：Sentence Generation and Chat-bot 

　　==========================================================================

　　

 

 

　　===========================================================

　　===========================================================

　　Examples of Recent Study : 

　　

　　

　　

 

 　　

 

Stay Hungry，Stay Foolish ...

深度学习课程笔记（七）：模仿学习（imitation learning）

2017.12.10 

 

　　

　　本文所涉及到的 模仿学习，则是从给定的展示中进行学习。机器在这个过程中，也和环境进行交互，但是，并没有显示的得到 reward。在某些任务上，也很难定义 reward。如：自动驾驶，撞死一人，reward为多少，撞到一辆车，reward 为多少，撞到小动物，reward 为多少，撞到 X，reward 又是多少，诸如此类。。。而某些人类所定义的 reward，可能会造成不可控制的行为，如：我们想让 agent 去考试，目标是让其考 100，那么，这个 agent 则可能会为了考 100，而采取作弊的方式，那么，这个就比较尴尬了，是吧 ？我们当然想让 agent 在学习到某些本领的同时，能遵守一定的规则。给他们展示怎么做，然后让其自己去学习，会是一个比较好的方式。

　　本文所涉及的三种方法：1. 行为克隆，2. 逆强化学习，3. GAN 的方法

　　

　　接下来，我们将分别介绍这三种方法：

　　一、Behavior Cloning : 

　　

　　这里以自动驾驶为例，首先我们要收集一堆数据，就是 demo，然后人类做什么，就让机器做什么。其实就是监督学习（supervised learning），让 agent 选择的动作和 给定的动作是一致的。。。

　　

　　但是，这个方法是有问题的，因为 你给定的 data，是有限的，而且是有限制的。那么，在其他数据上进行测试，则可能不会很好。

　　要么，你增加 training data，加入平常 agent 没有看到过的数据，即：dataset aggregation 。

　

 　　通过不断地增加数据，那么，就可以很好的改进 agent 的策略。有些场景下，也许适应这种方法。。。

　　

　　而且，你的观测数据 和 策略是有联系的。因为在监督学习当中，我们需要 training data 和 test data 独立同分布。但是，有时候，这两者是不同的，那么，就惨了。。。

　　于是，另一类方法，出现了，即：Inverse Reinforcement Learning （也称为：Inverse Optimal Control，Inverse Optimal Planning）。

　　

 　　二、Inverse Reinforcement Learning （“Apprenticeship learning via Inverse Reinforcement Learning”， ICML 2004） 

　　顾名思义，IRL 是 反过来的 RL，RL 是根据 reward 进行参数的调整，然后得到一个 policy。大致流程应该是这个样子：

　　

　　但是， IRL 就不同了，因为他没有显示的 reward，只能根据 人类行为，进行 reward的估计（反推 reward 的函数）。

　　

　　在得到 reward 函数估计出来之后，再进行 策略函数的估计。。。

　　

　　原本的 RL，就是给定一个 reward function R(t）（奖励的加和，即：回报），然后，这里我们回顾一下 RL 的大致过程（这里以 policy gradient 方法为例）

　　

　　而 Inverse Reinforcement Learning 这是下面的这个思路：

　　

　　逆强化学习 则是在给定一个专家之后（expert policy），通过不断地寻找 reward function 来满足给定的 statement（即，解释专家的行为，explaining expert behavior）。。。

　　专家的这个回报是最大的，英雄级别的，比任何其他的 actor 得到的都多。。。

　　据说，这个 IRL 和 structure learning 是非常相似的：

　　

　　可以看到，貌似真是的哎。。。然后，复习下什么是 结构化学习：

　　

 

　　我们对比下， IRL 和 结构化学习：

　　

　　=======================================================================

　　

　　我们可以看到，由于我们无法知道得到的 reward 情况，所以，我们只能去估计这些 奖励的函数，然后，我们用参数 w 来进行估计：

　　所以， r 可以写成 w 和 f(s, a) 相乘的形式。w 就是我们所要优化的参数，而 f（s,a）就是我们提取的 feature vector。

　　

 　　

　　那么 IRL 的流程究竟是怎样的呢？？？

　　

　　上面就是 IRL 所做的整个流程了。　　

 

　　三、GAN for Imitation Learning （Generative Adversarial imitation learning, NIPS, 2016） 

　　

　　那么如何用 GAN 来做这个事情呢？对应到这件事情上，我们知道，我们想得到的 轨迹 是属于某一个高维的空间中，而 expert 给定的那些轨迹，我们假设是属于一个 distribution，我们想让我们的 model，也去 predict 一个分布出来，然后使得这两者之间尽可能的接近。从而完成 actor 的训练过程，示意图如下所示：

　　

　　===============================　　过程　　================================

　　

　　====>>　　Generator：产生出一个轨迹，

　　====>>　　Discriminator：判断给定的轨迹是否是 expert 做的？

　　

 

　　==========================================================================

　　Recap：Sentence Generation and Chat-bot 

　　==========================================================================

　　

 

 

　　===========================================================

　　===========================================================

　　Examples of Recent Study :