自然智能（Natural intelligence）過程就像一條連續(xù)的流，可以實時地感知、行動和學習。流式學習是 Q 學習和 TD 等經(jīng)典強化學習 (RL) 算法的運作方式，它通過使用最新樣本而不存儲樣本來模仿自然學習。這種方法也非常適合資源受限、通信受限和隱私敏感的應用程序。

然而，在深度強化學習中，學習器（learners ）幾乎總是使用批量更新和重放緩沖區(qū)，這種方式使得它們在計算上很昂貴，并且與流式學習不兼容。

研究認為批量深度強化學習之所以普遍，是因為它的樣本效率高。流式深度強化學習存在樣本效率問題，經(jīng)常出現(xiàn)不穩(wěn)定和學習失敗的情況。這一現(xiàn)象稱為流式障礙。

就像下圖展示的，流式強化學習需要從即時單個樣本進行更新，而無需存儲過去的樣本，而批量強化學習則依賴于存儲在重放緩沖區(qū)中的過去樣本的批量更新。

為了解決流式障礙，本文來自阿爾伯塔大學等機構的研究者提出了 stream-x 算法，這是第一類深度強化學習算法，用于克服預測和控制流式障礙，并匹配批量強化學習的樣本效率。

• 論文地址：https://openreview.net/pdf?id=yqQJGTDGXN
• 項目地址：https://github.com/mohmdelsayed/streaming-drl
• 論文標題：Deep Reinforcement Learning Without Experience Replay, Target Networks, or Batch Updates

論文作者還提供了 stream-x 算法的最小實現(xiàn)（大約 150 行代碼），感興趣的讀者可以參考原項目。

本文證明了 stream-x 算法能夠克服流式障礙。

在電力消耗預測任務、MuJoCo Gym、DM Control Suite、MinAtar 和 Atari 2600 上的結(jié)果證明，該方法能夠作為現(xiàn)成的解決方案，克服流式障礙，提供以前無法通過流式方法實現(xiàn)的結(jié)果，甚至超越批量 RL 的性能。特別是，stream AC 算法在一些復雜的環(huán)境中達到了已知的最佳性能。 

如下所示，經(jīng)典的流方法（例如 Classic Q ）和批處理 RL 方法的流式版本（例如 PPO1）由于流式障礙而表現(xiàn)不佳。相比之下， stream-x 算法（例如 stream Q ）克服了流式障礙，并與批處理 RL 算法競爭，證明了其穩(wěn)定性和魯棒性。

這項研究得到了強化學習之父 Richard Sutton 的轉(zhuǎn)發(fā)和評論：

「最初的強化學習（RL）算法受自然學習的啟發(fā)，是在線且增量式的 —— 也就是說，它們是以流的方式進行學習的，每當新的經(jīng)驗增量發(fā)生時就學習，然后將其丟棄，永不再次處理。

流式算法簡單而優(yōu)雅，但在深度學習中，RL 的首次重大成功并非來自流式算法。相反，像 DQN（深度 Q 網(wǎng)絡）這樣的方法將經(jīng)驗流切割成單獨的轉(zhuǎn)換（transitions），然后以任意批次進行存儲和采樣。隨后的一系列工作遵循、擴展并完善了這種批量方法，發(fā)展出異步和離線強化學習，而流式方法卻停滯不前，無法在流行的深度學習領域中取得良好效果。

直到現(xiàn)在，阿爾伯塔大學的研究人員已經(jīng)證明，在 Atari 和 Mujoco 任務上，流式強化學習（Streaming RL） 算法可以與 DQN 一樣有效。

在我看來，他們似乎是第一批熟悉流式強化學習算法的研究人員，認真地解決深度強化學習問題，而不受批量導向的軟件和批量導向的監(jiān)督學習思維方式的過度影響?！?/span>

還有網(wǎng)友表示，流式算法確實塑造了強化學習的格局。

方法介紹

本文通過引入流式深度強化學習方法 ——Stream TD (λ)、Stream Q (λ) 和 Stream AC (λ)，這些統(tǒng)稱為 stream-x 算法，并利用資格跡，來解決流式障礙問題。

該方法無需使用重放緩沖區(qū)、批量更新或目標網(wǎng)絡，即可從最新的經(jīng)驗中進行學習。與普遍認知相反，本文證明了流式深度強化學習可以是穩(wěn)定的，并且在樣本效率上可與批量強化學習相當。 

由于流式學習方法在使用樣本后必須將其丟棄，因此可能會導致樣本效率低下。為此，本文提出了兩種技術來提高流式學習方法的樣本效率：1）稀疏初始化，2）資格跡。 

算法 1 展示了本文提出的稀疏初始化技術 — SparseInit。此稀疏初始化方案可用于全連接層和卷積層。

算法 3 展示了如何構建一個優(yōu)化器，該優(yōu)化器使用有效步長這一條件來控制更新大小。

下面為 stream-x 算法偽代碼。為了提高算法可讀性，作者使用了以下顏色編碼：紫色表示層歸一化，藍色表示觀測規(guī)一化，橙色表示獎勵縮放，青色表示步長縮放，棕色表示稀疏初始化。

實驗結(jié)果

為了演示 Stream-x 算法的有效性，該研究首先展示了在不同環(huán)境中經(jīng)典方法失敗的流式障礙，而 Stream-x 算法克服了這一障礙，并且與其他批處理方法性能相當。

克服流式障礙

流式深度強化學習方法經(jīng)常會遇到不穩(wěn)定和學習失敗的情況，稱為流式障礙。圖 2 顯示了三個不同的具有挑戰(zhàn)性的基準測試任務中的流障礙：MuJoCo、DM Control 和 Atari。

Stream-x 算法的樣本效率

該研究通過比較不同算法的學習曲線來研究 stream-x 方法的樣本效率。圖 3 顯示了不同深度 RL 方法在四個連續(xù)控制 MuJoCo 任務上的性能。

圖 4 展示了流 Q (0.8) 與其對應經(jīng)典方法以及 DQN1 和 DQN 在 MinAtar 任務上的性能。

Stream-x 算法在擴展運行中的穩(wěn)定性 

接下來，研究團隊探究了 Stream-x 算法在長時間運行時的穩(wěn)定性，以有效地揭示方法是否可以長時間運行而不出現(xiàn)任何問題。實驗結(jié)果如下圖 5 所示：

圖 6 顯示了不同智能體在總共經(jīng)歷 2 億幀的 Atari 游戲上的性能：

感興趣的讀者可以閱讀論文原文，了解更多研究內(nèi)容。