强化学习入门（五）连续动作空间内，使用DDPG求解强化学习问题

• 2020 年 6 月 21 日
• AI
• 强化学习

本文内容源自百度强化学习 7 日入门课程学习整理
感谢百度 PARL 团队李科浇老师的课程讲解

一、离散动作 VS 连续动作

1.1 区别

离散动作：

• 动作都是可数的
• 比如在 CartPole 环境中，向左推动小车，或者向右推动（力量是不变的）
• 比如在 FrozenLake 环境中，向上下左右 4 个方向移动
• 在 Atari 的 Pong 环境中，球拍上下移动

连续动作：

• 动作是连续的浮点数
• 比如在另一种 CartPole 环境中，设定推力为 -1～1，包含了方向又包含了力度
• 比如开车，方向盘的旋转角度：-180～180
• 四轴飞行器，控制马达的电压：0～15

1.2 神经网络修改

在连续动作空间中，Sarsa，Q-learning，DQN，Policy Gradient 都无法处理

所以我们要用一个替代方案：

• 在 Policy Gradient 中，输入状态 s，使用策略网络输出不同动作的概率
  • 随机性策略：π_θ(a_t|s_t)
• 在连续动作环境下，输出的是一个具体的浮点数，这个浮点数代表具体的动作（比如包含了方向和力的大小）
  • 确定性策略：μ_θ(s_t)

1.3 激活函数选择

离散动作环境：

• 输出层使用 softmax，确保每个动作输出概率加总为 1

连续动作环境：

• 输出层使用 tanh，即输出为 -1～1 之间的浮点数
• 经过缩放，对应到实际动作

二、DDPG（Deep Deterministic Policy Gradient）

DDPG 算法可以理解为 DQN 在连续动作网络中的修正版本

• Deterministic：代表直接输出确定性动作 a=μ(s)
• Policy Gradient：是策略网络，但是是单步更新的策略网络

该算法借鉴了 DQN 的两个工程上的技巧：

• 目标网络：target network
• 经验回放：replay memory

2.1 从 DQN 到 DDPG

在 DQN 的基础上，加了一个策略网络 Policy Gradient，用来直接输出动作值

• 在 DQN 中，只有 Q 网络输出 不同动作对应的 Q 值
• 所以 DDPG 需要同时学习 2 个网络：Q 网络 和 策略网络
• Q 网络：Q_w(s,a)，其中参数为 w
• 策略网络：a=μ_θ(s)，其中参数为 θ
• 这个结构叫做 Actor-Critic

2.2 Actor-Critic 结构

• 策略网络：扮演 Actor 的角色，负责对外展示输出
• Q 网络：评论家，每个 step 对输出动作打分，估计该动作的未来总收益（预期 Q 值）
• 策略网络 Actor 根据评委打分，来调整策略，即更新网络参数 θ，争取下次获得高分
• Critic 要根据观众的反馈来调整自己的打分策略，更新Q网络参数 w，目标是让每一步获得尽可能多的 reward（最大化未来总收益）

这种结构下，由于网络开始时候是随机的，所以一开始评委乱打分，演员乱表演，然后根据观众的反馈 reward ，Critic 的打分会越来越准确，进一步推动 Actor 的表现越来越好

2.3 DDPG 的优化目标和最佳策略

在 DQN 中，我们希望网络优化后可以求解最大的 Q 值

在 DDPG 中，我们希望网络优化后可以求解最大 Q 值对应的 action

• 策略网络的优化：最大化 Q 值，即 Loss = -Q
• Q 网络的优化：预测 Q 值 和 目标 Q 值 之间的差别最小化
  • Q_target 是未来收益的总和
  • Q_target \approx\ r+γQ’
  • Loss = MES(Q估计, Q_{target})

2.4 借鉴 DQN 中的目标网络 target network 和经验回放 ReplayMemory

做算法更新最重要的一步，就是怎么计算

我们需要优化策略网络（参数 θ）：

• 这里的 Loss 是个复合函数
• Loss=-Q_w(s,a)
• 其中 a=μ_θ(s)，代入上面的 Loss 中
• 最终我们要优化的是参数 θ

还要优化 Q 网络（参数 w）：

• 要优化预测 Q 和 目标 Q 的均方差
• 这里的 Loss 也是个复合函数
• Loss = MSE[Q_w(s,a),\ \ \ \ r+γQ_\overline{w}(s’,a’)]
• 其中 a’=μ_\overline{θ}(s’)
• 这里存在和 DQN 网络一样的问题，即 Q_target 的不稳定问题
• 所以我们需要固定 Q_target

为了固定 Q_target

• 我们需要给 Q 网络和 策略网络都搭建一个 target network
• target_Q 和 target_P
• 专门用于固定 Q_target
• 其中 target_P 用于固定 a’=μ_\overline{θ}(s’)
• 其中 target_Q 用于固定 Q_\overline{w}(s’,a’)
• 为了用作区分，参数上面加了个横线：\overline{θ} 和 \overline{w}

训练网络所需的数据是：s，a，r，s’

所以经验池 ReplayMemory 中存储的就是这 4 组数据

三、 PARL 库中 DDPG 的结构

3.1 网络结构

• model：定义 Q 网络和 策略网络，及其对应的额 target_model

• algorithm：定义损失函数，优化 Q 网络和 策略网络

• agent：负责算法和环境的交互

3.2 核心函数

• model：
  • value() 函数：形成 Q 网络的输出
  • policy() 函数：表示 策略网络 的输出（动作）
• a lgorithm：
  • _critic_learn()：计算 Q 网路的 Loss
  • _actor_learn()：计算 策略网络 的 Loss
• target_model：
  • 使用 deepcopy 实现

3.3 Model

包含 3 个类：

• Model 类
• ActorModel 类
• CriticModel 类

调用的时候只需要调用 Model 这个类

• Model 下的 policy() 会自动调用 ActorModel 下的 policy() 函数
• Model 下的 value() 会自动调用 CriticModel 下的 value() 函数

注意点：

• value() 函数的输入是 obs 和 act，输出的是 Q 值
• 所以需要 layers.concat() 函数把这两个值进行拼接，然后才可以输入FC 网络

Model 类下的 get_actor_params() 方法：

• 用来获取 ActorModel 网络的 “参数名称”
• 这个在更新 Actor 网络的时候会需要使用
• 其中的 parameters() 函数已经由 PARL 在底层实现好
• 返回一个包含模型所有参数名称的 list

3.4 Critic 网络（Q网络）更新

Algorithm 中的 _critic_learn() 函数

• 这里的输入，是从经验池中 sample 出来的一个 batch 的数据
• 首先，通过 target_P 网络计算 next_action，这里输入的是 next_obs
• 然后，把 next_action 输入 target_Q 网络，计算 next_Q
• 加上 reward 以后就可以求的 Q_target
• 然后通过 Q 网络计算 预测 Q值，其与 Q_target 的均方差即为 cost

3.5 Actor 网络（策略网络）更新

这里的计算非常简洁，不需要用到 target model

• 首先通过策略网络输出 action
• 然后通过 Q 网络输出 Q
• 计算 cost，即为 -Q

在这里需要注意的是，我们只希望这里跟新的是策略网络的参数 θ，而不是 Q 网络的参数 w

• 所以在最小化损失函数的过程中，要设定需要优化的参数是哪些
• 这里就用到了 get_actor_params() 函数
• 获得 actor 网络的参数名称，仅更新 actor 网络的参数

3.6 Target network 参数软更新

在 DQN 中，target 网络采用的是硬跟新，而在 DDPG 中，采用更平缓的软更新

• 设置参数 τ 来控制更新幅度
• 其中 w 和 θ 表示新参数
• 若 τ 取 0.001，即每次新参数只取 0.1% 的权重
• 这是工程上的一点小技巧
• PARL 库中的 sync_weights_to() 函数可以进行参数更新

四、代码详解

强化学习算法 DDPG 解决 CartPole 问题，代码逐条详解