马尔可夫决策过程(MDP)：马尔可夫奖励(MRP) + 智能体动作因素

大家好，欢迎来到IT知识分享网。

本文接前面文章：

1. 入门强化学习所需掌握的基本概念
2. MDP的前置知识：随机过程、马尔可夫过程、马尔可夫奖励

根据上文我们已经得知，在随机过程的基础上

• 增加马尔可夫性质，即可得马尔可夫过程
• 而再增加奖励，则得到了马尔可夫奖励过程(MRP)
• 如果我们再次增加一个来自外界的刺激比如智能体的动作，就得到了马尔可夫决策过程(MDP)

通俗讲，MRP与MDP的区别就类似随波逐流与水手划船的区别在马尔可夫决策过程中，

考虑到在当前状态和当前动作确定后，那么其对应的即时奖励则也确定了

，故sutton的RL一书中，给的状态转移概率矩阵类似为

从而可得奖励函数即为

通过上文，我们已经知道不同状态出现的概率不一样（比如今天是晴天，那明天是晴天，还是雨天、阴天不一定），同一状态下执行不同动作的概率也不一样（比如即便在天气预报预测明天大概率是天晴的情况下，你大概率不会带伞，但依然不排除你可能会防止突然下雨而带伞）

而有了动作这个因素之后，我们重新梳理下价值函数

首先，通过“状态价值函数”对当前状态进行评估

相当于从状态S出发遵循策略

能获得的期望回报

其次，通过“动作价值函数”对动作的评估

相当于对当前状态S依据策略

执行动作

得到的期望回报，这就是大名鼎鼎的Q函数，得到Q函数后，进入某个状态要采取的最优动作便可以通过Q函数得到

当有了策略、价值函数和模型3个组成部分后，就形成了一个马尔可夫决策过程（Markov decision process）。如下图所示，这个决策过程可视化了状态之间的转移以及采取的动作。

且通过状态转移概率分布，我们可以揭示状态价值函数和动作价值函数之间的联系了

针对这个公式 大部分资料都会一带而过，但不排除会有不少读者问怎么来的，考虑到对于数学公式咱们不能想当然靠直觉的自认为，所以还是得一五一十的推导下

上述推导过程总共五个等式，其中，第三个等式到第四个等式依据的是

，至于第四个等式到第五个等式依据的是状态转移概率矩阵的定义

的计算结果互相代入，可得马尔可夫决策的贝尔曼方程

上述过程可用下图形象化表示(配图来自文献21)

计算示例和更多细节待补充..

想在NLP领域更系统、深入提升的同学，我建议你看下【NLP高级小班 第十一期】一次报名，答疑服务三年

考虑到市面上课程大都以讲技术、讲理论为主，鲜有真正带着学员一步步从头到尾实现企业级项目的高端课程，故我们让大厂技术专家手把手带你实战大厂项目。一方面，让大家更好的在职提升，另一方面，力求让每位同学都深刻理解NLP的各大模型、理论和应用。

第十一期，除了继续维持上一期的：

• 五大技术阶段：分别从NLP基础技能、深度学习在NLP中的应用、Seq2Seq文本生成、Transformer与预训练模型、模型优化等到新技术的使用，包括且不限于GPT、对抗训练、prompt小样本学习等
• 八大企业项目：包括机器翻译系统、文本摘要系统、知识图谱项目、聊天机器人系统，以及基本文本的问答系统、FAQ问答机器人、文本推荐系统、聊天机器人中的语义理解
• 标准流程：环境配置与特征工程、模型构建与迭代优化、模型评估与优化上线；
• 就业指导：就业部辅助BAT大咖讲师做简历指导、面试辅导、就业内推。

本期更对技术和项目阶段做了大力度改进：

• 对于技术阶段，新增文本检索系统中的关键技术以及22年年底爆火的ChatGPT原理解析
• 对于项目阶段，新增第五大企业级项目：短文本相关性语义搜索系统

面向群体： 本课程适合已经在做AI的进一步在职提升，比如在职上班族跳槽涨薪/升职加薪，采用严格筛选制（通过率不到1/3），需要具备一定的基础能力才能报名通过，故以下同学优先：

• 985或211高校的CS、数学理工科相关专业的应届或往届研究生
• 已有一定的AI在职开发经验，如AI岗想在职提升
• 已有一定的AI项目经验，如学过七月在线的机器学习集训营

【NLP高级小班 第十一期】已开营，放5个免费试听名额，有意找苏苏老师（VX：julyedukefu008 ）或七月在线其他老师申请试听了解课程