譯者序
前　言
第 1 章　強(qiáng)化學(xué)習(xí)的啟動(dòng)和運(yùn)行 // 1
1.1　為何選擇強(qiáng)化學(xué)習(xí) // 1
闡述強(qiáng)化學(xué)習(xí)問(wèn)題 // 2
1.2 agent 及其環(huán)境之間的關(guān)系 // 3
1.2.1　定義 agent 的狀態(tài) // 3
1.2.2　定義 agent 的行為 // 3
1.2.3　了解策略、價(jià)值函數(shù)和優(yōu)勢(shì)函數(shù) // 4
1.3　認(rèn)識(shí)回合 // 5
1.4　認(rèn)識(shí)獎(jiǎng)勵(lì)函數(shù)和折扣獎(jiǎng)勵(lì) // 5
獎(jiǎng)勵(lì) // 6
1.5　學(xué)習(xí)馬爾可夫決策過(guò)程 // 6
1.6　定義貝爾曼方程 // 7
1.7　同步策略與異步策略學(xué)習(xí) // 7
1.7.1　同步策略方法 // 7
1.7.2　異步策略方法 // 8
1.8　無(wú)模型訓(xùn)練和基于模型訓(xùn)練 // 8
1.9　本書(shū)中涉及的算法 // 8
總結(jié) // 9
思考題 // 9
擴(kuò)展閱讀 // 9
第 2 章　時(shí)序差分、SARSA 與 Q-Learning // 10
2.1　技術(shù)需求 // 10
2.2　理解 TD 學(xué)習(xí) // 10
價(jià)值函數(shù)與狀態(tài)之間的關(guān)系 // 11
2.3　理解 SARSA 與 Q-Learning // 11

IX
2.3.1　學(xué)習(xí) SARSA // 12
2.3.2　理解 Q-Learning // 12
2.4　懸崖徒步與網(wǎng)格世界問(wèn)題 // 12
2.4.1 SARSA 下的懸崖徒步 // 13
2.4.2 Q-Learning 下的懸崖徒步 // 18
2.4.3 SARSA 下的網(wǎng)格世界 // 20
總結(jié) // 22
擴(kuò)展閱讀 // 22
第 3 章　深度 Q 網(wǎng)絡(luò) // 23
3.1　技術(shù)需求 // 23
3.2　學(xué)習(xí) DQN 原理 // 23
3.3　理解目標(biāo)網(wǎng)絡(luò) // 24
3.4　了解重放緩沖區(qū) // 25
3.5 Atari 環(huán)境介紹 // 25
3.5.1 Atari 游戲概述 // 26
3.5.2　用 TensorFlow 編寫(xiě) DQN // 27
3.6　驗(yàn)證 DQN 在 Atari Breakout 上的性能 // 39
總結(jié) // 40
思考題 // 40
擴(kuò)展閱讀 // 41
第 4 章　Double DQN、競(jìng)爭(zhēng)網(wǎng)絡(luò)結(jié)構(gòu)和 Rainbow // 42
4.1　技術(shù)需求 // 42
4.2　了解 Double DQN // 43
4.2.1　編寫(xiě) DDQN 并訓(xùn)練解決 Atari Breakout 問(wèn)題 // 43
4.2.2　在 Atari Breakout 問(wèn)題中評(píng)估 DDQN 的性能 // 44
4.3　理解競(jìng)爭(zhēng)網(wǎng)絡(luò)結(jié)構(gòu) // 45
4.3.1　編寫(xiě)競(jìng)爭(zhēng)網(wǎng)絡(luò)結(jié)構(gòu)并訓(xùn)練其解決 Atari Breakout 問(wèn)題 // 47
4.3.2　在 Atari Breakout 中評(píng)估競(jìng)爭(zhēng)網(wǎng)絡(luò)結(jié)構(gòu)的性能 // 48
4.4　了解 Rainbow 網(wǎng)絡(luò) // 49
DQN 改進(jìn) // 50
4.5　在 Dopamine 上運(yùn)行 Rainbow 網(wǎng)絡(luò) // 50
TensorFlow 強(qiáng)化學(xué)習(xí)快速入門(mén)指南
—使用 Python 動(dòng)手搭建自學(xué)習(xí)的智能體
X
使用 Dopamine 運(yùn)行 Rainbow // 52
總結(jié) // 53
思考題 // 53
擴(kuò)展閱讀 // 53
第 5 章　深度確定性策略梯度 // 55
5.1　技術(shù)需求 // 55
5.2 Actor-Critic 算法和策略梯度 // 56
策略梯度 // 56
5.3　深度確定性策略梯度 // 56
5.3.1　編寫(xiě) ddpg.py // 57
5.3.2　編寫(xiě) AandC.py // 59
5.3.3　編寫(xiě) TrainOrTest.py // 64
5.3.4　編寫(xiě) replay_buffer.py // 67
5.4　在 Pendulum-v0 中訓(xùn)練和測(cè)試 DDPG // 68
總結(jié) // 69
思考題 // 70
擴(kuò)展閱讀 // 70
第 6 章　異步的方法——A3C 和 A2C // 71
6.1　技術(shù)需求 // 71
6.2 A3C 算法 // 71
6.2.1　損失函數(shù) // 72
6.2.2 CartPole and LunarLander // 72
6.3 A3C 算法在 CartPole 中的應(yīng)用 // 73
6.3.1　編寫(xiě) cartpole.py // 73
6.3.2　編寫(xiě) a3c.py // 75
6.3.3 Worker 類(lèi) // 77
6.3.4　編寫(xiě) utils.py // 80
6.3.5 CartPole 訓(xùn)練 // 81
6.4 A3C 算法在 LunarLander 中的應(yīng)用 // 82
6.4.1　編寫(xiě) lunar.py // 82
6.4.2　在 LunarLander 上訓(xùn)練 // 82
6.5 A2C 算法 // 83
總結(jié) // 83
思考題 // 84
擴(kuò)展閱讀 // 84
第 7 章　信任區(qū)域策略優(yōu)化和近端策略優(yōu)化 // 85
7.1　技術(shù)需求 // 85
7.2　學(xué)習(xí) TRPO // 85
TRPO 方程 // 86
7.3　學(xué)習(xí) PPO // 86
PPO 損失函數(shù) // 86
7.4　使用 PPO 解決 Mountain Car 問(wèn)題 // 87
7.4.1　編寫(xiě) class_ppo.py // 87
7.4.2　編寫(xiě) train_test.py // 91
7.5　評(píng)估性能 // 95
7.6　馬力全開(kāi) // 95
7.7　隨機(jī)發(fā)力 // 96
總結(jié) // 97
思考題 // 97
擴(kuò)展閱讀 // 97
第 8 章　深度強(qiáng)化學(xué)習(xí)在自動(dòng)駕駛中的應(yīng)用 // 98
8.1　技術(shù)需求 // 98
8.2　汽車(chē)駕駛模擬器 // 99
8.3　學(xué)習(xí)使用 TORCS // 99
8.3.1　狀態(tài)空間 // 100
8.3.2　支持文件 // 100
8.4　訓(xùn)練 DDPG agent 來(lái)學(xué)習(xí)駕駛 // 101
8.4.1　編寫(xiě) ddpg.py // 101
8.4.2　編寫(xiě) AandC.py // 101
8.4.3　編寫(xiě) TrainOrTest.py // 102
TensorFlow 強(qiáng)化學(xué)習(xí)快速入門(mén)指南
—使用 Python 動(dòng)手搭建自學(xué)習(xí)的智能體
8.5　訓(xùn)練 PPO agent // 104
總結(jié) // 104
思考題 // 105
擴(kuò)展閱讀 // 105
附錄　思考題答案 // 10