---

一、deep reinforcement learning

强化学习场景


监督学习和强化学习之间：

训练一个聊天机器人-强化学习：让两个代理相互交谈(有时产生好的对话，有时产生坏的对话)
通过这种方法，我们可以产生很多对话。使用一些预定义的规则来评估对话的好坏

交互式检索



奖励延迟：在《太空入侵者》中，只有“开火”获得奖励，虽然“着火”前的移动很重要。在围棋比赛中，牺牲即时奖励以获得更多长期奖励可能更好。代理的行为会影响其收到的后续数据。

深度强化学习可以分为：Policy-based和Value-based。

Policy-based Approach——Learning an Actor

作为actor的神经网络

神经网络的输入:用向量或矩阵表示的机器的观测值
输出神经网络:每个动作对应输出层的一个神经元

其实动作是随机的，不固定。不是说数字大就一定是这个动作。
用网络代替查找表有什么好处？generalization！没有看过的东西也会得到好的结果。

这个要注意是乘上本次τ的所有reward，不是乘一个r。因为我们希望动作跟很多结果一样。

除以一个p更好，做了标准化，不希望出现更偏向次数多的而分数低情况。

未被采样的动作的概率将会降低，那怎么解决呢？就减去一个bias，让概率有正有负。

评论家是一个依赖于被评价的演员的函数，该函数由神经网络表示。状态值函数Vπ(s)：当使用行动者π时，期望在看到观察(状态)s后获得累积奖励。

small model

模型压缩

网络可以被修剪

网络通常是过度参数化的(有大量冗余的权重或神经元)，我们可以修剪它们！

权重的重要性:绝对值，终身…
一个神经元的重要性:在一个给定的数据集上它不为零的次数…
修剪后，精确度会下降(希望不会下降太多)
针对recover的训练数据进行微调，不要一次修剪太多，否则网络无法恢复。


实际上不规则的网络不好用GPU加速，也不一定是加速了

去掉神经元之后，网络是规则的，就可以加速了

简单地训练一个更小的网络怎么样？众所周知，越小的网络越难成功学习。。更大的网络更容易优化？

只要把子网络训练好，大的也能训练好

直接训练小的网络无法训练，用大的网络进行修剪小了之后就能训练起来。