本書的主題是強化學(xué)習(xí)（Reinforcement Learning，RL），它是機器學(xué)習(xí)（Machine Learning，ML）的一個分支，強調(diào)如何解決在復(fù)雜環(huán)境中選擇動作時產(chǎn)生的通用且極具挑戰(zhàn)的問題。學(xué)習(xí)過程僅由獎勵值和從環(huán)境中獲得的觀察驅(qū)動。該模型非常通用，能應(yīng)用于多個真實場景，從玩游戲到優(yōu)化復(fù)雜制造過程都能涵蓋。
由于它的靈活性和通用性，RL領(lǐng)域在快速發(fā)展的同時，吸引了很多人的關(guān)注。其中，既包括試圖改進現(xiàn)有方法或創(chuàng)造新方法的研究人員，也包括專注于用有效的方式解決問題的從業(yè)人員。
寫本書的目的
寫本書的目的是填補RL理論系統(tǒng)和實際應(yīng)用之間的巨大空白。目前全世界有很多研究活動，基本上每天都有新的相關(guān)論文發(fā)表，并且有很多深度學(xué)習(xí)的會議，例如神經(jīng)信息處理系統(tǒng)（Neural Information Processing Systems，NeurIPS）大會和國際學(xué)習(xí)表征會議（International Conference on Learning Representations，ICLR）。同時，有好幾個大型研究組織致力于將RL應(yīng)用于機器人、醫(yī)學(xué)、多智能體系統(tǒng)等領(lǐng)域。
的相關(guān)研究資料雖然很容易獲得，卻都過于專業(yè)和抽象，難以理解。RL的實踐落地則顯得更為困難，因為將論文中由數(shù)學(xué)公式堆砌的大量抽象理論轉(zhuǎn)換成解決實際問題的實現(xiàn)方式并不總是顯而易見的。
這使得一些對該領(lǐng)域感興趣的人很難理解隱含在論文或?qū)W術(shù)會議背后的方法與思想。雖然針對RL的各個方面有很多非常棒的博客用生動的例子來解釋，但博客的形式限制讓作者們只能闡述一兩種方法，而不是構(gòu)建一個完整的全景圖來將不同的方法聯(lián)系起來。本書就是為了解決這個問題而寫的。
教學(xué)方法
本書的另一個關(guān)注點是實際應(yīng)用。每個方法針對非常簡單到非常復(fù)雜的情況都進行了實現(xiàn)。我試圖讓例子簡潔易懂，PyTorch的易讀與強大使之成為可能。另外，例子的復(fù)雜度是針對RL業(yè)余愛好者而設(shè)計的，不需要大量的計算資源，比如圖形處理器（GPU）集群或很強大的工作站。我相信，這將使充滿樂趣和令人興奮的RL領(lǐng)域不僅限于研究小組或大型人工智能公司，還可以讓更廣泛的受眾涉足。但畢竟本書有關(guān)內(nèi)容還是“深度”RL，因此強烈建議大家使用GPU。
除了Atari游戲或連續(xù)控制問題等RL中一些經(jīng)典的中等規(guī)模例子外，本書還有好幾章（第10、14、15、16和18章）介紹大型項目，說明RL方法能應(yīng)用到更復(fù)雜的環(huán)境和任務(wù)中。這些例子不是現(xiàn)實場景中的完整項目，但也足以說明，除了精心設(shè)計的基準(zhǔn)測試外，RL能在更大的范圍內(nèi)應(yīng)用。
本書從結(jié)構(gòu)上看分為四個部分，其中第1～4章為部分，第5～10章為第二部分，第11～16為第三部分，第17～25章為第四部分。關(guān)于本書前三個部分的例子，值得注意的另一件事是我試圖使它們成為獨立的，會完整地顯示所有代碼。有時這會導(dǎo)致代碼片段的重復(fù)（例如，大多數(shù)方法中的訓(xùn)練迭代都很相似），但是我認(rèn)為，讓大家學(xué)到想學(xué)的函數(shù)比刻意避免一些重復(fù)更重要，你可以自行跳轉(zhuǎn)到需要的代碼。本書中的所有例子都能在GitHub上找到，網(wǎng)址為https://github.com/PacktPublishing/Deep-Reinforcement-Learning-Hands-On-Second-Edition。歡迎你來獲取、實驗并貢獻(xiàn)代碼。
讀者對象
本書面向已經(jīng)有機器學(xué)習(xí)基礎(chǔ)而想對RL領(lǐng)域進行實踐的讀者。閱讀本書前，讀者應(yīng)該熟悉Python并且有一定的深度學(xué)習(xí)和機器學(xué)習(xí)基礎(chǔ)。具有統(tǒng)計學(xué)和概率論知識會大有幫助，但對于理解本書的大部分內(nèi)容都不是必要的。
本書內(nèi)容
第1章介紹了RL的思想和模型。
第2章使用開源庫Gym介紹了RL實踐。
第3章概述了PyTorch庫。
第4章用簡單的RL方法對RL的方法和問題進行了初步介紹。
第5章介紹了基于價值的RL方法。
第6章描述了深度Q-network（DQN），是對基礎(chǔ)的基于價值的方法的擴展，能解決復(fù)雜環(huán)境下的問題。
第7章描述了PTAN庫，它可以簡化RL方法的實現(xiàn)。
第8章詳細(xì)介紹了DQN的擴展方法，以提升在復(fù)雜環(huán)境下的穩(wěn)定性和收斂性。
第9章概述了使RL代碼加速執(zhí)行的辦法。
第10章給出了個練習(xí)項目，重點是將DQN方法應(yīng)用于股票交易。
第11章介紹了另一類RL方法，即基于策略學(xué)習(xí)的方法。
第12章描述了RL中使用非常廣泛的方法之一。
第13章用并行環(huán)境交互的方式擴展了actor-critic方法，從而提高了穩(wěn)定性和收斂性。
第14章給出了第二個項目，展示了如何將RL方法應(yīng)用于自然語言處理問題。
第15章介紹了RL方法在文字冒險游戲中的應(yīng)用。
第16章給出了另一個大項目，使用MiniWoB任務(wù)集將RL應(yīng)用于Web導(dǎo)航。
第17章介紹了連續(xù)動作空間的環(huán)境特性以及各種方法。
第18章介紹了RL方法在機器人問題中的應(yīng)用，描述了如何用RL方法來構(gòu)建和訓(xùn)練小型機器人。
第19章仍是有關(guān)連續(xù)動作空間的章節(jié)，描述了一組置信域方法在其中的應(yīng)用。
第20章展示了另一組不顯式使用梯度的方法。
第21章介紹了能更好地進行環(huán)境探索的方法。
第22章介紹了RL的基于模型的方法，并使用了將想象力應(yīng)用于RL的研究結(jié)果。
第23章描述了AlphaGo Zero方法并將其應(yīng)用于四子連橫棋游戲中。
第24章使用魔方作為環(huán)境，描述了RL方法在離散優(yōu)化領(lǐng)域的應(yīng)用。
第25章介紹了一個相對較新的RL方法應(yīng)用方向，即在多智能體情境下的應(yīng)用。
閱讀指導(dǎo)
本書的所有章節(jié)都采用同樣的結(jié)構(gòu)來描述RL方法：首先討論方法的動機、理論基礎(chǔ)以及背后的思想；然后，給出幾個不同環(huán)境下的帶完整源代碼的例子。
你可以通過不同的方式來閱讀本書：
1. 若要快速熟悉某些方法，可以只閱讀相關(guān)章節(jié)的簡介部分。
2. 若要深入理解某個方法是如何實現(xiàn)的，可以閱讀代碼和相關(guān)注釋。
3. 若要深度熟悉某個方法（我認(rèn)為是好的學(xué)習(xí)方式），可以嘗試借助提供的代碼重新實現(xiàn)該方法并使之有效。
無論如何，我希望這本書對你有幫助！
下載示例代碼及彩色圖片
本書的示例代碼及所有截圖和樣圖，可以從http://www.packtpub.com通過個人賬號下載，也可以訪問華章圖書官網(wǎng)http://www.hzbook.com，通過注冊并登錄個人賬號下載。
本書的代碼也托管在GitHub上（https://github.com/PacktPublishing/Deep-Reinforcement-Learning-Hands-On-Second-Edition）。如果代碼有更新，GitHub上的代碼會同步更新。本書所有彩色版屏幕截圖/圖表的PDF文件也可以從https://static.packt-cdn.com/downloads/ 9781838826994_ColorImages.pdf下載。
排版約定
文中的代碼體：表示出現(xiàn)在文中的代碼、數(shù)據(jù)庫表名、目錄名、文件名、文件擴展名、路徑、用戶輸入、Twitter句柄。
代碼塊示例：

命令行輸入或輸出示例：

黑體：表示新的術(shù)語、重要的詞或會在屏幕中顯示的詞（例如，菜單或?qū)υ捒蛑械膬?nèi)容）。
表示警告或重要的提示。
表示提示和技巧。