获取更多资讯，赶快关注上面的公众号吧！

【强化学习系列】

第一章强化学习及OpenAI Gym介绍-强化学习理论学习与代码实现（强化学习导论第二版）
第二章马尔科夫决策过程和贝尔曼等式-强化学习理论学习与代码实现（强化学习导论第二版）
第三章动态规划-基于模型的RL-强化学习理论学习与代码实现（强化学习导论第二版）
第四章蒙特卡洛方法-强化学习理论学习与代码实现（强化学习导论第二版）
第五章基于时序差分和Q学习的无模型预测与控制-强化学习理论学习与代码实现（强化学习导论第二版）
第六章函数逼近-强化学习理论学习与代码实现（强化学习导论第二版）
第七章深度强化学习-深度Q网络系列1（Deep Q-Networks，DQN）
第八章深度强化学习-Nature深度Q网络(Nature DQN)
第九章深度强化学习-Double DQN
第十章深度强化学习-Prioritized Replay DQN
第十一章策略梯度（Policy Gradient）-强化学习理论学习与代码实现（强化学习导论第二版）
(本文)第十二章演员评论家（Actor-Critic）-强化学习理论学习与代码实现（强化学习导论第二版）
文章目录
- 第十二章 Actor-Critic演员评论家
- - 12.1 Actor-Critic算法简介
  - 12.2 Actor-Critic框架引出
  - 12.3 Actor-Critic算法流程
  - 12.4 代码练习

第十二章 Actor-Critic演员评论家

我们在上一章中介绍了策略梯度(Policy Gradient)方法，并代码练习了蒙特卡罗策略梯度reinforce算法。但是由于该算法需要完整的状态序列，同时单独对策略函数进行迭代更新，不太容易收敛。
在本章我们将讨论一种将策略(Policy Based)和价值(Value Based)相结合的方法：Actor-Critic算法，在强化学习领域最受欢迎的A3C算法，DDPG算法，PPO算法等都是AC框架，所以AC重要性不言而喻。

12.1 Actor-Critic算法简介

Actor-Critic从名字上看包括两部分，演员(Actor)和评价家(Critic)。其中Actor使用的是上一章讲到的策略函数，负责生成动作(Action)并和环境交互。而Critic使用我们之前讲到了的价值函数，负责评估Actor的表现，并指导Actor下一阶段的动作。

回想上一篇的策略梯度，策略函数就是我们的Actor，但是那里是没有Critic的，当时使用了蒙特卡罗法来计算每一步的价值部分替代了Critic的功能，但是场景比较受限。因此现在我们使用类似DQN中用的价值函数来替代蒙特卡罗法，作为一个比较通用的Critic。

也就是说在Actor-Critic算法中，我们需要做两组近似，第一组是策略函数的近似：
πθ(s,a)=P(a∣s,θ)≈π(a∣s)\pi_{\theta}(s,a) = P(a|s,\theta)\approx \pi(a|s)πθ(s,a)=P(a∣s,θ)≈π(a∣s)

第二组是价值函数的近似，对于状态价值和动作价值函数分别是：
v^(s,w)≈vπ(s)\hat{v}(s, w) \approx v_{\pi}(s)v^(s,w)≈vπ(s)
q^(s,a,w)≈qπ(s,a)\hat{q}(s,a,w) \approx q_{\pi}(s,a)q^(s,a,w)≈qπ(s,a)

对于我们上一节讲到的蒙特卡罗策略梯度reinforce算法，需要进行改造才能变成Actor-Critic算法，将会在下一节中详细介绍。

首先，在蒙特卡罗策略梯度reinforce算法中，策略的参数更新公式是：
θ=θ+α∇θlogπθ(st,at)vt\theta = \theta + \alpha \nabla_{\theta}log \pi_{\theta}(s_t,a_t) v_tθ=θ+α∇θlogπθ(st,at)vt

梯度更新部分中，∇θlogπθ(st,at)\nabla_{\theta}log \pi_{\theta}(s_t,a_t)∇θlogπθ(st,at)是得分函数，无需改变，要变成Actor的话改动的是vtv_tvt，这块不能再使用蒙特卡罗法来得到，而应该从Critic得到。

而对于Critic来说，完全可以参考之前DQN的做法，即用一个Q网络来做为Critic, 这个Q网络的输入可以是状态，而输出是每个动作的价值或者最优动作的价值。

总体上来说，就是Critic通过Q网络计算状态的最优价值vt, 而Actor利用vtv_tvt这个最优价值迭代更新策略函数的参数θ,进而选择动作，并得到反馈和新的状态，Critic使用反馈和新的状态更新Q网络参数w, 在后面Critic会使用新的网络参数w来帮Actor计算状态的最优价值vtv_tvt。

12.2 Actor-Critic框架引出

在上一章中我们已经得到策略梯度的更新公式如下：
∇θJ(θ)≈1N∑n=1N∑t=1Tn(∑t=t′Tnγt′−trt′n−b)∇log⁡πθ(atn∣stn)\nabla_{\theta} J(\theta)\approx \frac{1}{N} \sum_{n=1}^{N} \sum_{t=1}^{T_{n}}\left(\sum_{t=t'}^{T_{n}} \gamma^{t'-t} r_{t'}^{n}-b\right) \nabla \log \pi_{\theta}\left(a_{t}^{n} | s_{t}^{n}\right)∇θJ(θ)≈N1n=1∑Nt=1∑Tn(t=t′∑Tnγt′−trt′n−b)∇logπθ(atn∣stn)
这里将∑t=t′Tnγt′−trt′n\sum_{t=t'}^{T_{n}} \gamma^{t'-t} r_{t'}^{n}∑t=t′Tnγt′−trt′n记为GtnG_t^nGtn，由于GtnG_t^nGtn通过交互得到，其值非常不稳定（由于环境的动态性，GtnG_t^nGtn本身也是一个分布），方差会比较大，因此需要寻找减少方差的办法。一种方法就是在上一章中采用的添加基线b，这个b会使得Gt−bG_t-bGt−b的期望不变，但是方差会变小，常用的baseline函数就是V(st)V(s_t)V(st)，在此基础上，为了进一步降低GtG_tGt的随机性，我们用GtnG_t^nGtn的期望E(Gtn)E(G_t^n)E(Gtn)替代GtnG_t^nGtn，这样上面的更新公式变为：
∇θJ(θ)≈1N∑n=1N∑t=1Tn(E(Gtn)−V(stn))∇log⁡πθ(atn∣stn)\nabla_{\theta} J(\theta)\approx \frac{1}{N} \sum_{n=1}^{N} \sum_{t=1}^{T_{n}}\left(E(G_t^n)-V(s_t^n)\right) \nabla \log \pi_{\theta}\left(a_{t}^{n} | s_{t}^{n}\right)∇θJ(θ)≈N1n=1∑Nt=1∑Tn(E(Gtn)−V(stn))∇logπθ(atn∣stn)

在根据Q学习部分（），可知期望E(Gtn)E(G_t^n)E(Gtn)就是在状态sts_tst下执行动作ata_tat，并遵循策略π\piπ所能得到的Q值，即E(Gt)E(G_t)E(Gt)=Qπθ(stn,atn)Q^{\pi_{\theta} }\left(s^n_t,a^n_t\right)Qπθ(stn,atn),由此得到下式：
∇θJ(θ)≈1N∑n=1N∑t=1Tn(Qπθ(stn,atn)−V(stn))∇log⁡πθ(atn∣stn)\nabla_{\theta} J(\theta)\approx \frac{1}{N} \sum_{n=1}^{N} \sum_{t=1}^{T_{n}}\left(Q^{\pi_{\theta} }\left(s^n_t,a^n_t\right)-V(s_t^n)\right) \nabla \log \pi_{\theta}\left(a_{t}^{n} | s_{t}^{n}\right)∇θJ(θ)≈N1n=1∑Nt=1∑Tn(Qπθ(stn,atn)−V(stn))∇logπθ(atn∣stn)

上式中存在的问题是，需要两个网络来分别预测Q和V，这就无形中增加了误差来源，考虑到贝尔曼等式，即：

Qπθ(stn,atn)=E[rtn+Vπ(st+1n)]Q^{\pi_{\theta} }\left(s^n_t,a^n_t\right)=E\left[ r_t^n+V^\pi(s_{t+1}^n)\right]Qπθ(stn,atn)=E[rtn+Vπ(st+1n)]

这里将期望去掉（个人理解，虽然去掉期望会导致有偏，但是最终还是会收敛到真实值）：

Qπθ(stn,atn)=rtn+Vπθ(st+1n)Q^{\pi_{\theta} }\left(s^n_t,a^n_t\right)= r_t^n+V^{\pi_\theta}(s_{t+1}^n)Qπθ(stn,atn)=rtn+Vπθ(st+1n)

那么最终就得到：
∇θJ(θ)≈1N∑n=1N∑t=1Tn(rtn+Vπθ(st+1n)−V(stn))∇log⁡πθ(atn∣stn)\nabla_{\theta} J(\theta)\approx \frac{1}{N} \sum_{n=1}^{N} \sum_{t=1}^{T_{n}}\left(r_t^n+V^{\pi_\theta}(s_{t+1}^n)-V(s_t^n)\right) \nabla \log \pi_{\theta}\left(a_{t}^{n} | s_{t}^{n}\right)∇θJ(θ)≈N1n=1∑Nt=1∑Tn(rtn+Vπθ(st+1n)−V(stn))∇logπθ(atn∣stn)

这样只需要一个网络就可以估算出V值了，而估算V的网络正是我们在Q-learning 中做的，所以我们就把这个网络叫做Critic。这样就在Policy Gradient算法的基础上引进了Q-learning 算法了。

12.3 Actor-Critic算法流程

Critic使用神经网络来计算TD误差并更新网络参数，Actor将TD误差作为输入，也使用神经网络来更新网络参数

算法输入：迭代轮数T，状态特征维度n, 动作集A, 步长α,β，衰减因子γ, 探索率ϵ, Critic网络结构和Actor网络结构。

输出：Actor 网络参数θ, Critic网络参数w
1.随机初始化所有的状态和动作对应的价值Q
2.for i from 1 to T，进行迭代。

a)初始化S为当前状态序列的第一个状态, 得到其特征向量ϕ(S)\phi(S)ϕ(S)

b)在Actor网络中使用ϕ(S)\phi(S)ϕ(S)作为输入，输出动作A,基于动作A得到新的状态S′,奖励r。

c)在Critic网络中分别使用ϕ(S)\phi(S)ϕ(S)，ϕ(S’)\phi(S’)ϕ(S’)作为输入，得到Q值输出V(S)，V(S′)

d)计算TD误差δ=R+γV(S’)−V(S)\delta = R +\gamma V(S’) -V(S)δ=R+γV(S’)−V(S)

e)使用均方差损失函数∑(R+γV(S’)−V(S,w))2\sum\limits(R +\gamma V(S’) -V(S,w))^2∑(R+γV(S’)−V(S,w))2作Critic网络参数w的梯度更新

f)更新Actor网络参数θ:

θ=θ+α∇θlogπθ(St,A)δ\theta = \theta + \alpha \nabla_{\theta}log \pi_{\theta}(S_t,A)\deltaθ=θ+α∇θlogπθ(St,A)δ

对于Actor的得分函数∇θlogπθ(St,A),可以选择softmax或者高斯分值函数。

12.4 代码练习

代码针对的环境的是 CliffWalkingEnv，在该环境中智能体在一个 4x12 的网格中移动，状态编号如下所示：

[[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11],[12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23],[24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35],[36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47]]

在任何阶段开始时，初始状态都是状态 36，状态 47 是唯一的终止状态，悬崖对应的是状态 37 到 46。智能体有 4 个可选动作（UP = 0，RIGHT = 1，DOWN = 2，LEFT = 3）。智能体每走一步都会得到-1 的奖励，跌入悬崖会得到-100 的奖励并重置到起点，当达到目标时，片段结束。

AC完整的代码如下：

import gym
import itertools
import matplotlib
import numpy as np
import sys
import tensorflow as tf
import collectionsif "../" not in sys.path:sys.path.append("../")
from Lib.envs.cliff_walking import CliffWalkingEnv
from Lib import plottingmatplotlib.style.use('ggplot')env = CliffWalkingEnv()class PolicyEstimator():"""策略函数逼近"""def __init__(self, learning_rate=0.01, scope="policy_estimator"):with tf.variable_scope(scope):self.state = tf.placeholder(tf.int32, [], "state")self.action = tf.placeholder(dtype=tf.int32, name="action")self.target = tf.placeholder(dtype=tf.float32, name="target")# This is just table lookup estimatorstate_one_hot = tf.one_hot(self.state, int(env.observation_space.n))self.output_layer = tf.contrib.layers.fully_connected(inputs=tf.expand_dims(state_one_hot, 0),num_outputs=env.action_space.n,activation_fn=None,weights_initializer=tf.zeros_initializer)self.action_probs = tf.squeeze(tf.nn.softmax(self.output_layer))self.picked_action_prob = tf.gather(self.action_probs, self.action)self.loss = -tf.log(self.picked_action_prob) * self.targetself.optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)self.train_op = self.optimizer.minimize(self.loss, global_step=tf.contrib.framework.get_global_step())def predict(self, state, sess=None):sess = sess or tf.get_default_session()return sess.run(self.action_probs, {self.state: state})def update(self, state, target, action, sess=None):sess = sess or tf.get_default_session()feed_dict = {self.state: state, self.target: target, self.action: action}_, loss = sess.run([self.train_op, self.loss], feed_dict)return lossclass ValueEstimator():"""值函数逼近器"""def __init__(self, learning_rate=0.1, scope="value_estimator"):with tf.variable_scope(scope):self.state = tf.placeholder(tf.int32, [], "state")self.target = tf.placeholder(dtype=tf.float32, name="target")# This is just table lookup estimatorstate_one_hot = tf.one_hot(self.state, int(env.observation_space.n))self.output_layer = tf.contrib.layers.fully_connected(inputs=tf.expand_dims(state_one_hot, 0),num_outputs=1,activation_fn=None,weights_initializer=tf.zeros_initializer)self.value_estimate = tf.squeeze(self.output_layer)self.loss = tf.squared_difference(self.value_estimate, self.target)self.optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)self.train_op = self.optimizer.minimize(self.loss, global_step=tf.contrib.framework.get_global_step())def predict(self, state, sess=None):sess = sess or tf.get_default_session()return sess.run(self.value_estimate, {self.state: state})def update(self, state, target, sess=None):sess = sess or tf.get_default_session()feed_dict = {self.state: state, self.target: target}_, loss = sess.run([self.train_op, self.loss], feed_dict)return lossdef actor_critic(env, estimator_policy, estimator_value, num_episodes, discount_factor=1.0):"""Actor Critic 算法.通过策略梯度优化策略函数逼近器参数:env: OpenAI环境.estimator_policy: 待优化的策略函数estimator_value: 值函数逼近器，用作评论家num_episodes: 回合数discount_factor: 折扣因子返回值:EpisodeStats对象，包含两个numpy数组，分别存储片段长度和片段奖励"""# Keeps track of useful statisticsstats = plotting.EpisodeStats(episode_lengths=np.zeros(num_episodes),episode_rewards=np.zeros(num_episodes))Transition = collections.namedtuple("Transition", ["state", "action", "reward", "next_state", "done"])for i_episode in range(num_episodes):state = env.reset()episode = []for t in itertools.count():action_probs = estimator_policy.predict(state)action = np.random.choice(np.arange(len(action_probs)), p=action_probs)next_state, reward, done, _ = env.step(action)episode.append(Transition(state=state, action=action, reward=reward, next_state=next_state, done=done))stats.episode_rewards[i_episode] += rewardstats.episode_lengths[i_episode] = t# 计算TD目标value_next = estimator_value.predict(next_state)td_target = reward + discount_factor * value_nexttd_error = td_target - estimator_value.predict(state)# 更新值函数逼近estimator_value.update(state, td_target)# 更新策略逼近# 使用TD误差作为优势估计estimator_policy.update(state, td_error, action)print("\rStep {} @ Episode {}/{} ({})".format(t, i_episode + 1, num_episodes, stats.episode_rewards[i_episode - 1]), end="")if done:breakstate = next_statereturn statstf.reset_default_graph()global_step = tf.Variable(0, name="global_step", trainable=False)
policy_estimator = PolicyEstimator()
value_estimator = ValueEstimator()with tf.Session() as sess:sess.run(tf.initialize_all_variables())stats = actor_critic(env, policy_estimator, value_estimator, 300)plotting.plot_episode_stats(stats, smoothing_window=10)

结果如下：

第十二章演员评论家（Actor-Critic）-强化学习理论学习与代码实现（强化学习导论第二版）相关推荐

程序员编程艺术第一二十二章集锦与总结（教你如何编程）
分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow 也欢迎大家转载本篇文章.分享知识,造福人民,实现我们中华民族伟大复兴! 程序员编 ...
程序员编程艺术第一~二十二章集锦与总结（教你如何编程）
程序员编程艺术第一~二十二章集锦与总结(教你如何编程) 作者:July.编程艺术室. 出处:http://blog.csdn.net/v_JULY_v . 题记好久没更新博客了,虽只有一个月,但对我 ...
价格奥秘-在超市遇见亚当斯密--第十二章生活与价格有关，生命不靠金钱决定
第十二章生活与价格有关,生命不靠金钱决定在毕业典礼这一天,鲁思醒得很早.她查了一下电子邮件,看了助理前一天深夜发来的活动日程.要和鲍勃.巴克曼及艺术与科学系的系主任一起共进早餐.她不知道该怎么办.就 ...
stm32l0的停止模式怎么唤醒_探索者 STM32F407 开发板资料连载第二十二章待机唤醒实验
1)实验平台:alientek 阿波罗 STM32F767 开发板 2)摘自<STM32F7 开发指南(HAL 库版)>关注官方微信号公众号,获取更多资料:正点原子第二十二章待机唤醒实 ...
构建之法第十，十一，十二章阅读
第十章经典用户和场景虽说经典场景和经典用户很有必要去研究去效仿,但是随着时间发展,新的用户新的需求不断涌现,那该怎么平衡? 第十一章软件设计与实现软件设计过程中,如何管理设计变更呢? 第十二章用户 ...
疯狂JAVA讲义---第十二章：Swing编程（五）进度条和滑动条
http://blog.csdn.net/terryzero/article/details/3797782 疯狂JAVA讲义---第十二章:Swing编程(五)进度条和滑动条标签: swing编程 ...
stm32 文件系统dma大小_「正点原子NANO STM32F103开发板资料连载」第二十二章 DMA 实验...
1)实验平台:[正点原子] NANO STM32F103 开发板 2)摘自<正点原子STM32 F1 开发指南(NANO 板-HAL 库版)>关注官方微信号公众号,获取更多资料:正点原子 ...
系统架构师学习笔记_第十二章_连载
第十二章系统安全架构设计 12.1 信息系统安全架构的简单描述信息安全的特征是为了保证信息的机密性.完整性.可用性.可控性.不可抵赖性. 以风险策略为基础. 12.1.1 信息安全的现状 ...
《c++ templates》学习笔记（9）——第十二章特化与重载
1 第十二章特化与重载 1.1 重载函数模板和一般的函数重载类似,函数模板也可以进行重载,比如下面的两个f,这是两个同名函数,1和2并没有关系,2不是1的局部特化.2是1的一个重 ...
开发日记-20190915 关键词汇编语言王爽版第十二章
第十二章内中断任何一个通用的CPU,比如8086,都具备一种能力,可以在执行完当前正在执行的指令之后,检测到从CPU外部传送过来或内部产生的一种特殊信息,并且可以立即对所接收的信息进行处理.这种特 ...

第十二章演员评论家（Actor-Critic）-强化学习理论学习与代码实现（强化学习导论第二版）

文章目录

第十二章 Actor-Critic演员评论家

12.1 Actor-Critic算法简介

12.2 Actor-Critic框架引出

12.3 Actor-Critic算法流程

12.4 代码练习

第十二章演员评论家（Actor-Critic）-强化学习理论学习与代码实现（强化学习导论第二版）相关推荐

最新文章

热门文章

第十二章 演员评论家（Actor-Critic）-强化学习理论学习与代码实现（强化学习导论第二版）

文章目录

第十二章 Actor-Critic演员评论家

12.1 Actor-Critic算法简介

12.2 Actor-Critic框架引出

12.3 Actor-Critic算法流程

12.4 代码练习

第十二章 演员评论家（Actor-Critic）-强化学习理论学习与代码实现（强化学习导论第二版）相关推荐

最新文章

热门文章

第十二章演员评论家（Actor-Critic）-强化学习理论学习与代码实现（强化学习导论第二版）

第十二章演员评论家（Actor-Critic）-强化学习理论学习与代码实现（强化学习导论第二版）相关推荐