KO | EN

GitLite

Minimalist Open Source Repository Search Engine

gitlite — search

#developer-tools #typescript #codex #ai-agents #claude-code #dsh #dsh-plugin #cli #macos #ai-agent #deepseek-harness #open-source

Deep-Reinforcement-Learning-Notes

★ 88 Open GitHub ↗

这是我的深度强化学习的学习笔记与总结

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# 🚀 Deep-Reinforcement-Learning-Notes

> 这是我的**深度强化学习（DRL）**学习笔记与总结。  
> 涵盖了从底层数学原理的严密推导，到主流深度强化学习算法的介绍。希望能为在强化学习苦海中挣扎的初学者们提供一份结构清晰的参考资料。

---

## 📢 作者有话说 (Status & Updates)

**⚠️ 遗憾与新篇章：**
这份笔记原计划持续更新，但由于前段时间电脑意外格式化丢失了源数据，目前仓库内上传的 PDF 版本是紧急抢救回来的**不完整残卷**。因此，本笔记部分章节可能未完全收尾且存在错误，且**后续不再更新**，还请各位读者海涵。

**💡 目前的探索方向：**
由于个人技术路线的演进，我现在已将精力全面转向 **RL 模型硬件部署与边缘计算** 领域，欢迎通过文末的邮箱与我交流探讨！

---

## 📘 一、 强化学习的数学原理

本部分笔记严格对齐并基于 **西湖大学赵世钰老师** 的精彩网课。赵老师的课程深入浅出、通俗易懂，十分推荐想彻底搞懂 RL 底层数学原理的同学同步学习。

📺 **课程链接**：[西湖大学赵世钰老师 - 强化学习的数学原理 (Bilibili)](https://www.bilibili.com/video/BV1sd4y167NS/)

### 📝 章节大纲

* **Chapter 0 | 整体关系图**
* **Chapter 1 | 强化学习的基本概念**
  * `1.1` 状态、动作、策略  `1.2` 奖励、回报、MDP
* **Chapter 2 | 贝尔曼方程**
  * `2.1` 回报的重要性  `2.2` 状态价值  `2.3` 贝尔曼方程推导  `2.4` 贝尔曼方程求解  `2.5` 动作价值
* **Chapter 3 | 贝尔曼最优公式**
  * `3.1` 策略改进  `3.2` 最优策略及公式推导  `3.3` 公式求解及最优性  `3.4` 最优策略性质
* **Chapter 4 | 值迭代与策略迭代**
  * `4.1` 值迭代算法  `4.2` 策略迭代算法  `4.3` 截断策略迭代算法
* **Chapter 5 | 蒙特卡洛方法 (Monte Carlo)**
  * `5.1` 蒙特卡洛引入  `5.2` MC-basic  `5.3` MC-basic用例  `5.4` MC-exploring starts  `5.5` MC-epsilon greedy及用例
* **Chapter 6 | 随机近似与随机梯度下降**
  * `6.1` 均值估计问题回顾  `6.2` RM算法介绍  `6.3` RM算法收敛性及应用  `6.4` SGD算法介绍  `6.5` SGD算法收敛性及应用  `6.6` SGD算法有趣的性质  `6.7` SGD算法对比
* **Chapter 7 | 时序差分方法 (Temporal Difference)**
  * `7.1` 时序差分引入  `7.2` 时序差分算法  `7.3` 时序差分算法收敛性  `7.4` Sarsa 算法  `7.5` Expected Sarsa 和 n-step Sarsa算法  `7.6` Q-learning算法 `7.7` Q-learning例子  `7.8` TD算法的统一形式
* **Chapter 8 | 值函数近似**
  * `8.1` 曲线拟合  `8.2` 目标函数  `8.3` 优化算法  `8.4` 示例与分析  `8.5` Sarsa和Q-learning  `8.6` DQN-basic  `8.7` DQN-Experience  `8.8` DQN代码与例子
* **Chapter 9 | 策略梯度方法 (Policy Gradient)**
  * `9.1` 基本思路  `9.2` 价值目标函数  `9.3` 奖励目标函数  `9.4` 梯度计算  `9.5` 梯度上升算法
* **Chapter 10 | Actor-Critic 方法**
  * `10.1` QAC算法  `10.2` A2C算法  `10.3` 重要性采样与Off-Policy  `10.4` DPG算法

---

## 🧠 二、 深度强化学习算法剖析

本部分主要基于各大经典 DRL 算法的**原始文献（Papers）**进行总结和介绍，按照算法的核心思想分为以下四大架构：

### 1️⃣ 基于值函数 (Value-Based)
* **基于动态规划**
* **基于蒙特卡洛**
* **基于时序差分**：涵盖 `Q-learning` / `Sarsa` / `Double Q-learning` / `DQN 系列`

### 2️⃣ 基于策略梯度 (Policy-Based)
* **基于蒙特卡洛**
* **基于时序差分** *(注：由于没有纯策略梯度的算法，此部分主要探讨 AC 架构的演进)*

### 3️⃣ 基于 Actor-Critic 架构 (AC Architecture)
* **随机性策略**：`NPG` / `TRPO` / `PPO` / `A2C` / `A3C` / `SAC`
* **确定性策略**：`DPG` / `DDPG` / `TD3`

### 4️⃣ 重要机制补充 (Advanced Mechanisms)
* `1.1` **PER** (Prioritized Experience Replay, 优先经验回放)
* `1.2` **噪声网络** (Noisy Nets)

---

## 📬 联系方式与交流

作者个人能力与精力有限，笔记中不可避免会存在一些错误或遗漏，请各位读者带着批判性的思维阅读。  
未经同意，禁止私自转载。  
如果您在阅读过程中发现问题，欢迎通过邮件与我联系：

📧 **Email:** [2559906288@qq.com](mailto:2559906288@qq.com)

> **"All models are wrong, but some are useful."** —— 愿这份不完美的笔记对你有所帮助！

Deep-Reinforcement-Learning-Notes

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README