Reinforcement-learning-with-tensorflow

项目背景：一位中国程序员的情怀与执念

想象一下：你在网上搜索"强化学习教程"，满屏都是英文论文和公式推导，好不容易找到一些中文资料，又发现代码要么跑不通、要么注释全是机器翻译。就在这个时候，一个叫"莫烦"的中国程序员出现了——他用最直白的语言、最干净的代码，把强化学习这个"高深莫测"的概念，拆解成了一个个可以亲手跑通的例子。

MorvanZhou 的这套教程，就是这样一个存在。项目诞生于2017年前后，正值深度强化学习最火热的时期——AlphaGo击败李世石不久，DQN、Policy Gradient 等算法刚被学术界验证，所有人都想学，但门槛极高。"莫烦"看到了这个痛点，决定用 TensorFlow 从零实现每一行代码，用中文讲解每一个细节。

十年过去，这个仓库积累了超过9000颗星，成为中文互联网强化学习入门的事实标准之一。它的价值不仅在于代码本身，更在于"让你从零理解强化学习，而不是从零配置环境"。

一、这是一个什么样的项目？

用一句话概括：面向人类学习者的强化学习算法教学代码库。

与很多"demo 跑起来炫酷但看不懂原理"的仓库不同，这个项目的核心设计哲学是"代码即注释"——每一行核心代码旁边都有详细的中文注释，告诉你这一行在做什么、为什么要这样做。它不是让你直接拿来用的生产级代码库，而是一个理解强化学习算法工作原理的脚手架。

项目覆盖了从最基础的 Q-Learning 到前沿的 PPO 算法，共12个章节：

基础篇（第1-4章）：Q-Learning、Sarsa、Sarsa(λ) —— 这些是最经典的表格型强化学习算法，不需要神经网络，适合入门理解"智能体-环境-奖励"的基本概念。
DQN 系列（第5章）：Double DQN、Prioritized Replay DQN、Dueling DQN —— 这是深度强化学习的里程碑，用卷积网络处理 Atari 游戏图像输入，让强化学习真正"看见"世界。
策略梯度（第7章）：Policy Gradient / REINFORCE —— 不再预测每个动作的价值，而是直接学习一个策略网络输出动作概率，解决了连续动作空间的问题。
Actor-Critic 家族（第8章）：Actor-Critic with Advantage —— 结合了 Value-Based 和 Policy-Based 的优点，用 Advantage 函数减少方差，加速学习。
DDPG（第9章）：Deep Deterministic Policy Gradient —— 面向连续控制任务（机器人运动控制、自动驾驶等），可以输出精确的力矩或转向角度，而不是离散的动作。
A3C（第10章）：Asynchronous Advantage Actor-Critic —— 利用多线程异步并行训练，大幅加速的同时提升算法稳定性。
进阶篇（第11-12章）：Dyna-Q（模型驱动的强化学习）和 PPO（Proximal Policy Optimization，近几年最流行的策略优化算法）。

Q-Learning 算法示意图

每一章都有三个标准文件：

maze_env.py：定义环境（迷宫/小车的状态和奖励）
RL_brain.py：算法的核心逻辑（策略网络/Q网络/策略更新）
run_this.py：训练循环（和环境交互、记录奖励曲线）

这种"三件套"结构贯穿整个项目，学会了第一层，就能无师自通地理解后面的章节，因为套路完全一致。

二、技术架构与代码风格

技术栈：Python + TensorFlow 1.x

项目采用 TensorFlow 1.x 编写，使用 Session + placeholder 的老派写法。这在2024年看来略显"复古"——TensorFlow 2.x 已经全面切换 eager execution，PyTorch 也早已成为学术界的默认框架。但对于教学来说，1.x 版本并非坏事：TensorFlow 1.x 的"显式"反而是一种优势。在 Session 中手动管理数据流向，需要你清楚地知道"数据从哪里来、到哪里去"——这恰好是理解强化学习算法的核心。

代码结构：模块化 + 算法对比设计

每个章节都是一个独立的"算法实现 + 环境测试"闭环。作者还巧妙设计了难度递进的环境：

初级：2D 迷宫（离散状态，Q表即可）
中级：CartPole（平衡杆，倒立摆问题）
高级：Mountain Car（需要先退后加速才能到达目标）
专家：Atari 游戏（像素级输入，需要 CNN）

这种环境梯度设计，让同一个算法在不同环境中展现出完全不同的学习曲线，是非常宝贵的对照实验素材。

CartPole 平衡杆环境

三、为什么这个项目值得推荐？

1. 中文友好的交互式学习体验

市面上99%的强化学习教程都是英文的，公式推导占据了大量篇幅。"莫烦"教程的核心竞争力是中文 + 代码先行：先让你跑通代码，看到智能体学会任务（比如杆子保持平衡、小车爬上山坡），再回头解释为什么这样做有效。这种"先看到结果、再理解原理"的教学法，完美契合工程思维学习者。

2. 算法实现忠实于原始论文

作者并非"魔改"算法，而是严格按照原始论文的实现细节来写代码。例如 DQN 的 Experience Replay、Target Network 更新间隔，Double DQN 的目标值分离，A3C 的多线程异步更新——每一个细节都和论文描述一致。这让你在学完之后，可以无缝对接论文复现工作。

3. 可视化训练过程

项目配套的博客 mofanpy.com 提供了大量训练曲线图，展示了不同算法在不同环境下的收敛速度、稳定性、最终性能。这些图来自真实训练，非常适合用来理解"算法之间的实际差异"。

四、局限性与争议

1. TensorFlow 1.x 的历史包袱

这是最大的问题。TensorFlow 1.x 代码无法在 TensorFlow 2.x 或 PyTorch 环境中直接运行。如果你今天要入门强化学习，99%的社区资源都已经是 PyTorch 版本。这个项目虽然经典，但代码已经无法无缝接入现代深度学习工作流。作者本人也已创建了 PyTorch 版本，建议配合使用。

2. 无生产部署能力

项目代码是教学用的"最小可运行版本"，完全没有考虑生产环境：没有日志系统、没有超参数管理、没有模型保存/加载的最佳实践、没有测试用例。作为算法原型验证可以，但想直接拿来做产品？门都没有。

3. OpenAI Gym 接口已过时

项目使用的 Gym 版本较旧，新版 Gym（v0.26+）的 API 有 breaking change。直接跑可能会遇到环境初始化错误，需要降级 Gym 版本才能复现。

五、行业意义与影响力

这个项目在中文 AI 教育社区的影响力是现象级的：

GitHub 9459 stars：同类强化学习中文教程中排名第一
配套网站 mofanpy.com：SEO 关键词"强化学习教程"长期占据中文搜索结果前列
Bilibili 视频：作者配套录制了视频教程，播放量合计超过百万
被多所高校引用：清华、北大、浙大等高校的 AI 课程将其作为补充教材

它的意义不只是"一个代码仓库"，而是中国 AI 教育的破冰之作——证明了用中文做技术教育不仅可行，而且可以做得很好。

六、部署指南：如何跑起来？

虽然项目没有 Docker 支持，但部署本身并不复杂：

git clone https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow.git
cd Reinforcement-learning-with-tensorflow/contents
conda create -n rl_tutorial python=3.6
conda activate rl_tutorial
pip install tensorflow==1.15 numpy gym matplotlib
cd 2_Q_Learning_maze
python run_this.py

结语

MorvanZhou 的这套强化学习教程，是一个时代的产物，也是一个被时代验证的经典。它不是最强的强化学习代码库（那应该是 Ray/RLlib 或 Stable-Baselines3），但它是最适合人类学习的强化学习入门路径。

如果你想从零掌握强化学习、想理解每个算法背后的直觉、想看到代码从不会到学会的全过程——这套教程值得你花时间从头到尾学一遍。

唯一需要提醒的是：请同时安装 PyTorch 版本对照学习，因为现实世界的强化学习项目，99%都是 PyTorch 写的。

git clone https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow.git cd Reinforcement-learning-with-tensorflow/contents conda create -n rl_tutorial python=3.6 conda activate rl_tutorial pip install tensorflow==1.15 numpy gym matplotlib cd 2_Q_Learning_maze python run_this.py

社区活跃度

社区活跃度