一图看懂DQN(Deep Q-Network)深度强化学习算法

DQN简介

DQN是一种深度学习和强化学习结合的算法，提出的动机是传统的强化学习算法Q-learning中的Q_table存储空间有限，而现实世界甚至是虚拟世界中的状态是接近无限多的（比如围棋），因此，无法构建可以存储超大状态空间的Q_table。不过，在机器学习中, 有一种方法对这种事情很在行，那就是神经网络，可以将状态和动作当成神经网络的输入，然后经过神经网络分析后得到动作的 Q 值，这样就没必要在表格中记录 Q 值，而是直接使用神经网络预测Q 值 [1]。

算法框架

下面是DQN算法框架，如果想更详细地理解DQN，请点击这里，参阅源文章《Playing Atari with Deep Reinforcement Learning》。

算法图解

根据文献阅读，学习教程[1]（可点击这里），和项目实践[2]（可点击这里），我结合自己的理解，总结了DQN算法的基本流程，如下图。

算法本质

DQN算法基本沿袭了Q-learning的思想，只不过为了能够与深度神经网络结合，而做了一些改进的装饰 [1]：

1. 增加记忆库：如上图中的第⑤步，记忆库的作用是可以用于重复学习，正如同背单词，单词要重复背才能够记得深刻。
2. 利用神经网络计算Q值：如上图中的第8.4步，这一步的思想和Q-learning的计算Q值的思想是一致的，利用预测网络计算预测值，利用目标网络计算目标值，两者之间的误差，用来更新预测网络的参数。
3. 暂时冻结目标网络：如上图的第8.2步，由于在强化学习中，连续获得的观测值之间往往是有相关性的，比如，今天背的单词中很有可能有一部分是昨天背的单词，为了断绝这种数据的相关性，需要复制一份大脑Y出来，即为目标网络，这个大脑Y的结构与现实的大脑X是一样的，但是不会每一步都更新为大脑X。那么，当大脑X在碰到十天前记的单词时，预测的单词释义到底对不对呢，就可以用十天前复制的大脑Y来检验了。也就是说，目标网络就是用来检验预测网络的Q值是否预测的正确，如果不正确，就更新预测网络参数。

总结

真正要理解算法，一定要动手去复现原始论文的代码，只看书本上的算法，永远理解的只是皮毛。欢迎大家在下方留言讨论

[1] https://mofanpy.com/tutorials/machine-learning/reinforcement-learning/intro-DQN/
[2] https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow/tree/master/contents/5_Deep_Q_Network