深度强化学习（DRL）

本文是学习笔记，如有侵权，请联系删除。本文在ChatGPT辅助下完成。

参考链接

Deep Reinforcement Learning官方链接：https://github.com/wangshusen/DRL

源代码链接：https://github.com/DeepRLChinese/DeepRL-Chinese

B站视频：【王树森】深度强化学习(DRL)

豆瓣: 深度强化学习

Actor-Critic Method

Actor-Critic方法把价值学习和策略学习结合起来。

视频

下面是视频的学习笔记

Value Network and Policy Network

离散状态下状态价值函数可以写成：$V_{\pi }(s)={\sum }_a\pi (a|s)\cdot Q_{\pi }(s,a).$

但是其中策略函数$\pi (a|s)$和动作价值函数$Q_{\pi }(s,a)$都不知道，可以分别用两个神经网络进行近似，这两个神经网络分别称为策略网络和价值网络，在表述形式上里面分别添加了一个$\theta$和$w$参数，表示的是神经网络的参数。

策略网络控制agent运动，是actor，相当于是运动员；价值网络不控制agent运动，它负责给agent打分，是critic，相当于裁判。

分别看一下这两个神经网络

策略网络actor，它只有一个输入state，输出是所有action的概率分布。

价值网络critic，有两个输入，分别是state和action；输出是一个标量，表示的是对actor的打分。

同时学习一个策略和一个值函数就是actor-critic方法。

Train the Neural Networks

训练$\pi$网络是提高actor的平均分，即让状态价值函数V函数的值更大；让价值网络q来当裁判，给actor的表现打分，更新它的参数$w$是为了让它的打分越来越精准。通过两个网络，让运动员的得分越来越高，裁判的打分越来越精准。

通过以下五个步骤来对$\theta$和$w$参数进行更新

1. Observe the state $s_t.$
2. Randomly sample action ${\alpha }_t$ according to $\pi (\cdot |s_t;{\theta }_t).$
3. Perform $a_t$ and observe new state $s_{t+1}$ and reward $r_t.$
4. Update w (in value network) using temporal difference (TD).
5. Update $\theta$ (in policy network) using policy gradient.

使用时间差分TD算法更新价值网络q，让裁判打分更准

损失函数是预测q和target $y_t$之间差的平方

使用策略梯度算法更新策略网络$\pi$，让运动员得分更高

下图中的V是状态价值函数，相当于运动员所有动作的平均分

策略梯度是状态价值函数V关于$\theta$的导数

定义g是$log\pi$对$\theta$的导数乘以q，这里q是裁判的打分

策略梯度等于对函数g求期望，消掉动作A。

g函数是策略梯度的无偏估计，用g函数代替策略梯度

然后使用随机梯度上升算法来更新$\theta$的值。

ChatGPT：补充梯度的概念

在数学和计算机科学中，梯度是一个向量，表示一个多元函数在某一点上的变化率和变化的方向。对于一个具有多个输入变量的函数，梯度给出了该函数对每个输入变量的偏导数。

考虑一个函数 ($f(x_1,x_2,\dots ,x_n)$)，其梯度记为 ($\nabla f$) 或者 ($\frac{\partial f}{\partial \mathbf{x}}$)，其中 ($\nabla$) 是 nabla 符号，表示梯度运算，($\mathbf{x}=[x_1,x_2,\dots ,x_n]$) 是输入变量的向量。梯度是一个向量，其每个分量是函数对相应输入变量的偏导数。

$\nabla f=\left[\frac{\partial f}{\partial x_1},\frac{\partial f}{\partial x_2},\dots ,\frac{\partial f}{\partial x_n}\right]$

梯度的方向是函数在某一点上变化最快的方向，而梯度的模（长度）表示变化率。如果梯度的模较大，意味着函数在该点的变化较为剧烈。

在优化问题中，梯度的使用很常见。梯度下降算法就是一种基于梯度的优化方法，通过迭代更新参数，使得目标函数逐渐趋向最小值。梯度上升算法则是类似的优化方法，用于最大化目标函数。

总的来说，梯度是一个重要的数学概念，特别在优化、机器学习和深度学习等领域有广泛的应用。

整个Actor-Critic Method的框图

整个算法的流程共有9步，这里是前5步，主要复习以下TD 目标。

$r_t+\gamma \cdot q_{t+1}$是TD target，时间差分算法里面的（TD目标表示了在当前时刻 t 的奖励 $r_t$ 加上未来奖励的折扣。这个目标被用于更新值函数，通过比较当前值函数的估计和这个目标，可以调整值函数的参数以逐渐提高估计的准确性。）

Actor-Critic算法流程：更新价值网络（critic）是梯度下降，更新策略网络（actor）是梯度上升。

上面第9步中用$q_t$更新，也可以用${\delta }_t$来更新。两种方法都是对的。

Summary

总结一下Actor-Critic方法中Actor和 Critic的作用

在训练中，agent是被策略网络控制的，价值网络打分提供反馈；训练后，agent还是被策略网络控制，但此时价值网络（critic）就没用了。

怎样训练两个网络：

策略网络是策略梯度来训练。用梯度上升，让状态价值函数V的值增加，这就意味着运动员的平均分提高。

价值网络是用TD算法来训练。TD算法要用到价值网络的预测$q_t$（价值网络对期望回报的估计）以及TD target（也是对期望回报的估计，由于它用到真实的奖励$r_t$,所以它的估计比$q_t$更靠谱， $y_t$作为TD target，相当于监督学习中的标签），对损失函数关于价值网络函数的参数$w$求导得到梯度，然后用梯度下降，让估计$q_t$更接近TD target 也就是$y_t$。

为什么用损失函数对$w$求导？ChatGPT的回答：

在机器学习中，使用损失函数对模型参数（例如权重 ($w$)）求导的目的是通过梯度下降或其他优化算法来更新模型参数，以最小化或最大化损失函数。这是因为损失函数衡量了模型在训练数据上的性能，我们的目标是使模型在训练数据上表现得越好越好。

考虑一个典型的机器学习问题，其中我们有输入特征 (X) 和对应的目标变量 ($Y$)，我们的模型通过一些参数 (w) 进行参数化，表示为 ($Y=f(X;w)$)。我们的目标是找到最优的参数 (w)，使得模型预测的 (Y) 与真实的目标 (Y) 之间的差距最小。

这个差距通常通过损失函数（也叫目标函数）来定义，表示为 ($L(Y,f(X;w))$)。梯度下降的思想是沿着损失函数下降最快的方向更新参数，直至找到使损失最小化的参数。

为了更新参数，我们需要计算损失函数关于参数 (w) 的梯度（导数）。梯度是一个向量，其中每个分量表示损失函数关于相应参数的偏导数。通过梯度下降，我们按照梯度的反方向更新参数，使得损失函数逐渐减小。

具体来说，对于参数 (w)，我们使用链式法则计算损失函数关于 (w) 的梯度，并使用这个梯度来更新 (w)。这个过程反复进行，直到达到停止条件（例如达到最大迭代次数或梯度变化很小）。

总之，使用损失函数对参数 (w) 求导的目的是优化模型，使其在训练数据上的性能达到最优。

书

策略梯度方法用策略梯度${\nabla }_{\theta }J(\theta )$更新策略网络参数$\theta$,从而增大目标函数。前面推导出策略梯度 ${\nabla }_{\theta }J(\theta )$ 的无偏估计，即下面的随机梯度：

$$\mathbf{g}(s,a;\mathbf{\theta })\triangleq Q_{\pi }(s,a)\cdot {\nabla }_{\mathbf{\theta }}\ln \pi (a|s;\mathbf{\theta }).$$

但是其中的动作价值函数 $Q_{\pi }$ 是未知的，导致无法直接计算 $g(s,a;\theta )$。上一节的 REINFORCE 用实际观测的回报近似 $Q_{\pi }$, 本节的 actor-critic 方法用神经网络近似 $Q_{\pi }$ 。

价值网络

Actor-critic 方法用一个神经网络近似动作价值函数 $Q_{\pi }(s,a)$, 这个神经网络叫做“价值网络”, 记为 $q(s,a;\mathbf{w})$,其中的 $w$ 表示神经网络中可训练的参数。价值网络的输入是状态 $s$, 输出是每个动作的价值。动作空间 $A$ 中有多少种动作，那么价值网络的输出就是多少维的向量，向量每个元素对应一个动作。举个例子，动作空间是 A = { 左，右，上 } A= \{ 左，右，上\} A={左，右，上},

$$\begin{array}{rlrl}& q(s,\text{ 左; }\mathbf{w})& =& 219,\\ & q(s,\text{ 右; }\mathbf{w})& =& -73,\\ & q(s,\text{ 上; }\mathbf{w})& =& 580.\end{array}$$

神经网络的结构见图 7.2。

虽然价值网络$q(s,a;\mathbf{w})$ 与之前学的 DQN 有相同的结构，但是两者的意义不同，训练算法也不同。

• 价值网络是对动作价值函数 $Q_{\pi }(s,a)$ 的近似。而 DQN 则是对最优动作价值函数$Q_{\star }(s,a)$ 的近似。
• 对价值网络的训练使用的是 SARSA 算法，它属于同策略，不能用经验回放。对 DQN的训练使用的是 Q 学习算法，它属于异策略，可以用经验回放。

算法推导

Actor-critic 翻译成“演员一评委”方法。策略网络 $\pi (a|s;\theta )$ 相当于演员，它基于状态 $s$ 做出动作 $a$。价值网络 $q(s,a;\mathbf{w})$ 相当于评委，它给演员的表现打分，评价在状态 $s$ 的情况下做出动作$a$的好坏程度。策略网络(演员)和价值网络(评委)的关系如图7.3所示。

读者可能会对图 7.3 感到不解：为什么不直接把奖励 $R$ 反馈给策略网络 (演员),而要用价值网络 (评委) 这样一个中介呢？原因是这样的：策略学习的目标函数 $J(\theta )$ 是回报$U$ 的期望，而不是奖励 $R$ 的期望；注意回报 $U$ 和奖励 $R$ 的区别。虽然能观测到当前的奖励$R$,但是它对策略网络是毫无意义的；训练策略网络(演员)需要的是回报$U$,而不是奖励 $R$。价值网络 (评委) 能够估算出回报 $U$ 的期望，因此能帮助训练策略网络 (演员)。

训练策略网络 (演员)

策略网络 (演员) 想要改进自己的演技，但是演员自己不知道什么样的表演才算更好，所以需要价值网络(评委) 的帮助。在演员做出动作 $a$ 之后， 评委会打一个分数$\hat{q}\triangleq q(s,a;\mathbf{w})$,并把分数反馈给演员，帮助演员做出改进。演员利用当前状态 $s$, 自己的动作 $a$, 以及评委的打分 $\hat{q}$, 计算近似策略梯度，然后更新自己的参数$\theta$(相当于改变自己的技术)。通过这种方式，演员的表现越来越受评委的好评，于是演员的获得的评分$\hat{q}$越来越高。

训练策略网络的基本想法是用策略梯度 ${\nabla }_{\theta }J(\theta )$ 的近似来更新参数 $\theta$。之前我们推导过策略梯度的无偏估计：

$$\mathbf{g}(s,a;\mathbf{\theta })\triangleq Q_{\pi }(s,a)\cdot {\nabla }_{\mathbf{\theta }}\ln \pi \left(a\right|s;\mathbf{\theta }).$$

价值网络 $q(s,a;\mathbf{w})$ 是对动作价值函数 $Q_{\pi }(s,a)$ 的近似，所以把上面公式中的 $Q_{\pi }$ 替换成价值网络，得到近似策略梯度：

$$\begin{array}{rcl}\hat{\mathbf{g}}(s,a;\mathbf{\theta })& \triangleq & \underset{\text{评委的打分}}{\underbrace{q(s,a;\mathbf{w})}}\cdot {\nabla }_{\mathbf{\theta }}\ln \pi (a\mid s;\mathbf{\theta }).\end{array}(7.11)$$

最后做梯度上升更新策略网络的参数：

$$\theta \leftarrow \theta +\beta \cdot \hat{\mathbf{g}}(s,a;\mathbf{\theta }).(7.12)$$

注: 用上述方式更新参数之后，会让评委打出的分数越来越高，原因是这样的。状态价值函数$V_{\pi }(s)$ 可以近似成为：

$$v(s;\mathbf{\theta })={\mathbb{E}}_{A\sim \pi (|s;\mathbf{\theta })}[q(s,A;\mathbf{w})].$$

因此可以将$v(s;\theta )$ 看做评委打分的均值。不难证明，公式 (7.11) 中定义的近似策略梯度$\hat{\mathbf{g}}(s,a;\mathbf{\theta })$ 的期望等于$v(s;\mathbf{\theta })$ 关于$\theta$ 的梯度：

$${\nabla }_{\mathbf{\theta }v}(s;\mathbf{\theta })={\mathbb{E}}_{A\sim \pi (\cdot |s;\mathbf{\theta })}[\hat{\mathbf{g}}(s,A;\mathbf{\theta })].$$

因此，用公式 7.12 中的梯度上升更新 $\theta$,会让 $v(s;\theta )$ 变大，也就是让评委打分的均值更高。

训练价值网络(评委)

通过以上分析，我们不难发现上述训练策略网络(演员)的方法不是真正让演员表现更好，只是让演员更迎合评委的喜好而已。因此，评委的水平也很重要，只有当评委的打分$\hat{q}$真正反映出动作价值$Q_{\pi }$,演员的水平才能真正提高。初始的时候，价值网络的参数 $w$ 是随机的，也就是说评委的打分是瞎猜。可以用 SARSA 算法更新$w$,提高评委的水平。每次从环境中观测到一个奖励$r$,把$r$ 看做是真相，用 $r$ 来校准评委的打分。

第 5.1 节已经推导过 SARSA 算法，现在我们再回顾一下。在 $t$ 时刻，价值网络输出

$${\hat{q}}_t=q(s_t,a_t;\mathbf{w}),$$

它是对动作价值函数 $Q_{\pi }(s_t,a_t)$ 的估计。在 $t+1$ 时刻，实际观测到 $r_t,s_{t+1},a_{t+1}$, 于是可以计算 TD 目标

$$\widehat{y_t}\triangleq r_t+\gamma \cdot q(s_{t+1},a_{t+1};\mathbf{w}),$$

它也是对动作价值函数$Q_{\pi }(s_t,a_t)$ 的估计。由于${\hat{y}}_t$ 部分基于实际观测到的奖励$r_t$,我们认为${\hat{y}}_t$ 比 $q(s_t,a_t;\mathbf{w})$ 更接近事实真相。所以把 ${\hat{y}}_t$ 固定住，鼓励 $q(s_t,a_t;\mathbf{w})$ 去接近 ${\hat{y}}_t$。SARSA 算法具体这样更新价值网络参数 $w$。定义损失函数：
$$L(\mathbf{w})\triangleq \frac{1}{2}\left[q\right(s_t,a_t;\mathbf{w})-{\hat{y}}_t{]}^2.$$

设${\hat{q}}_t\triangleq q(s_t,a_t;\mathbf{w})$。损失函数的梯度是：

$${\nabla }_{\mathbf{w}}L\left(\mathbf{w}\right)=\underset{\text{TD 误差 }{\delta }_t}{\underbrace{({\hat{q}}_t-{\hat{y}}_t)}}\cdot {\nabla }_{\mathbf{w}}q(s_t,a_t;\mathbf{w}).$$

做一轮梯度下降更新 $w:$

$$w\leftarrow w-\alpha \cdot {\nabla }_{\mathbf{w}}L(\mathbf{w}).$$
这样更新$w$ 可以让$q(s_t,a_t;\mathbf{w})$ 更接近${\hat{y}}_t$。可以这样理解 SARSA: 用观测到的奖励$r_t$ 来“校准”评委的打分 $q(s_t,a_t;\mathbf{w})$。

训练流程

下面概括 actor-critic 训练流程。设当前策略网络参数是${\theta }_{\mathrm{now}}$,价值网络参数是$w_{\mathrm{now}}$。
执行下面的步骤，将参数更新成 ${\theta }_{\mathrm{new}}$ 和 $w_{\mathrm{new}}$:

1. 观测到当前状态 $s_t$,根据策略网络做决策$:a_t\sim \pi (\cdot |s_t;{\theta }_{\mathrm{now}})$​, 并让智能体执行动作$a_t$。
2. 从环境中观测到奖励 $r_t$ 和新的状态 $s_{t+1}$。
3. 根据策略网络做决策$:{\tilde{a}}_{t+1}\sim \pi (\cdot |s_{t+1};{\theta }_{\mathrm{now}})$,但不让智能体执行动作 ${\tilde{a}}_{t+1}$。
4. 让价值网络打分：

$${\hat{q}}_t=q(s_t,a_t;{\mathbf{w}}_{\mathrm{now}})\text{和}{\hat{q}}_{t+1}=q(s_{t+1},{\tilde{a}}_{t+1};{\mathbf{w}}_{\mathrm{now}})$$

5. 计算 TD 目标和 TD 误差：

$${\hat{y}}_t=r_t+\gamma \cdot {\hat{q}}_{t+1}\text{和}{\delta }_t={\hat{q}}_t-{\hat{y}}_t.$$

6. 更新价值网络：

$$w_{\mathrm{new}}\leftarrow w_{\mathrm{now}}-\alpha \cdot {\delta }_t\cdot {\nabla }_{\mathbf{w}}q(s_t,a_t;{\mathbf{w}}_{\mathrm{now}}).$$

7. 更新策略网络：

$${\theta }_{\mathrm{new}}\leftarrow {\theta }_{\mathrm{now}}+\beta \cdot {\hat{q}}_t\cdot {\nabla }_{\mathbf{\theta }}\ln \pi (a_t|s_t;{\mathbf{\theta }}_{\mathrm{now}}).$$

用目标网络改进训练

第 6.2 节讨论了 Q 学习中的自举及其危害，以及用目标网络 (target network) 缓解自举造成的偏差。SARSA 算法中也存在自举一一即用价值网络自己的估值 ${\hat{q}}_{t+1}$ 去更新价值网络自己；我们同样可以用目标网络计算 TD 目标，从而缓解偏差。把目标网络记作$q(s,a;{\mathbf{w}}^{-})$,它的结构与价值网络相同，但是参数不同。使用目标网络计算 TD 目标，那么 actor-critic 的训练就变成了：

1. 观测到当前状态 $s_t$,根据策略网络做决策$:a_t\sim \pi (\cdot |s_t;{\theta }_{\mathrm{now}})$, 并让智能体执行动作$a_t$。

2. 从环境中观测到奖励 $r_t$ 和新的状态 $s_{t+1}$。

3. 根据策略网络做决策$:{\tilde{a}}_{t+1}\sim \pi (\cdot |s_{t+1};{\theta }_{\mathrm{now}})$,但是不让智能体执行动作${\tilde{a}}_{t+1}$。

4. 让价值网络给 $(s_t,a_t)$ 打分：

$${\hat{q}}_t=q(s_t,a_t;{\mathbf{w}}_{\mathrm{now}}).$$

5. 让目标网络给 $(s_{t+1},{\tilde{a}}_{t+1})$ 打分：

$${\hat{q}}_{t+1}^{-}=q(s_{t+1},{\tilde{a}}_{t+1};\widetilde{w_{\mathrm{now}}}).$$

6. 计算 TD 目标和 TD 误差：

$${\hat{y}}_t^{-}=r_t+\gamma \cdot {\hat{q}}_{t+1}^{-}\text{和}{\delta }_t={\hat{q}}_t-{\hat{y}}_t^{-}.$$

7. 更新价值网络：

$$w_{\mathrm{new}}\leftarrow w_{\mathrm{now}}-\alpha \cdot {\delta }_t\cdot {\nabla }_{\mathbf{w}}q(s_t,a_t;{\mathbf{w}}_{\mathrm{now}}).$$

8. 更新策略网络：

$${\theta }_{\mathrm{new}}\leftarrow {\theta }_{\mathrm{now}}+\beta \cdot {\hat{q}}_t\cdot {\nabla }_{\mathbf{\theta }}\ln \pi (a_t|s_t;{\mathbf{\theta }}_{\mathrm{now}}).$$

9. 设 $\tau \in (0,1)$ 是需要手动调整的超参数。做加权平均更新目标网络的参数：

$$w_{\mathrm{new}}^{-}\leftarrow \tau \cdot w_{\mathrm{new}}+\left(1-\tau \right)\cdot {\mathbf{w}}_{\mathrm{now}}^{-}.$$

本章总结

• 可以用神经网络 $\pi (a|s;\theta )$ 近似策略函数。策略学习的目标函数是 $J(\theta )={\mathbb{E}}_S[V_{\pi }(S)]$, 它的值越大，意味着策略越好。

• 策略梯度指的是$J(\theta )$ 关于策略参数$\theta$ 的梯度。策略梯度定理将策略梯度表示成

$$\mathbf{g}(s,a;\mathbf{\theta })\triangleq Q_{\pi }(s,a)\cdot {\nabla }_{\mathbf{\theta }}\ln \pi (a|s;\mathbf{\theta })$$

的期望。

• REINFORCE 算法用实际观测的回报 $u$ 近似 $Q_{\pi }(s,a)$ , 从而把 $g(s,a;\theta )$ 近似成：

$$\tilde{\mathbf{g}}(s,a;\mathbf{\theta })\triangleq u\cdot {\nabla }_{\mathbf{\theta }}\ln \pi (a|s;\mathbf{\theta }).$$

REINFORCE 算法做梯度上升更新策略网络：$\theta \leftarrow \theta +\beta \cdot \tilde{\mathbf{g}}(s,a;\mathbf{\theta })$。

• Actor-critic 用价值网络 $q(s,a;\mathbf{w})$ 近似 $Q_{\pi }(s,a)$, 从而把 $g(s,a;\mathbf{\theta })$ 近似成：

$$\hat{\mathbf{g}}(s,a;\mathbf{\theta })\triangleq q(s,a;\mathbf{w})\cdot {\nabla }_{\mathbf{\theta }}\ln \pi (a|s;\mathbf{\theta })$$

Actor-critic 用 SARSA 算法更新价值网络$q$, 用梯度上升更新策略网络$:\theta \leftarrow \theta +\beta \cdot \hat{\mathbf{g}}(s,a;\mathbf{\theta })$。

后记

截至2024年1月27日17点25分，学习完强化学习中的Actor-Critic算法。