OpenAI Baselines: ACKTR & A2C

原文地址：https://blog.openai.com/baselines-acktr-a2c/

code链接：https://github.com/openai/baselines

论文链接：https://arxiv.org/abs/1708.05144

我们发布了两个新的OpenAI Baselines实现： ACKTR和A2C。 A2C是Asynchronous Advantage Actor Critic （A3C）的同步确定性变体，我们发现它们具有相同的性能。 与TRPO和A2C相比，ACKTR是一个比样本高效的强化学习算法，每次更新只需要比A2C稍微更多的计算。

ACKTR（发音为「actor」，Actor Critic using Kronecker-factored Trust Region）是由多伦多大学和纽约大学的研究者联合开发的新算法。OpenAI与他们合作发布了Baselines implementation。作者在论文中展示 ACKTR 算法可以学习模拟机器人（以像素作为输入，连续的动作空间）和 Atari 游戏（以像素作为输入，离散的动作空间）的控制策略。

ACKTR 融合了三种不同的技术：以 actor-critic 算法为基础，加上 TRPO 来保证稳定性，同时融入了提升样本效率和可扩展性的分布式 Kronecker 因子分解（Kronecker factorization）。

样本和计算效率

对于机器学习算法，考虑两个代价很重要：样本复杂度和计算复杂度。 样本复杂度是指代理与其环境之间的交互时间的次数，计算复杂度是指必须执行的数值操作量。

ACKTR比一般方法（如A2C）具有更好的样本复杂度，因为它在自然梯度方向上而不是梯度方向（或像ADAM中的重新缩放版本）中步进（take a step）。 自然梯度给出了参数空间中的方向，其使用KL-散度测量来实现网络的输出分布中每单位变化的目标中的最大（瞬时）改善。 通过限制KL分歧，我们确保新政策的行为与旧的不同，这可能导致业绩的崩溃。

对于 ACKTR 的计算复杂度，因为其使用计算非常高效的 K-FAC 算法来估算自然梯度，所以 ACKTR 的每个更新步仅比标准梯度算法慢 10% 到 25%。之前的自然梯度算法，例如 TRPO（Hessian-free optimization）则需要非常昂贵的共轭梯度计算，致使其每步计算所需时间非常长。

在下面的视频中，您可以看到使用ACKTR训练的代理之间的不同时间步长的比较，以解决游戏Q-Bert和用A2C训练的游戏。 ACKTR试剂得分高于用A2C培养的成分。

用ACKTR训练的代理（右）在比其他算法（如A2C（左））训练的时间短的时间内获得更高的分数。

Baseline and Benchmarks

OpenAI Baselines 发布包含了 ACKTR 和 A2C 的代码实现。

我们还评估了 ACKTR 在一系列任务的表现。下文中，我们展示了 ACKTR 在 49 个 Atari 游戏中与 A2C、PPO、ACER 表现的对比。注：ACKTR 的作者只用了 Breakout 游戏对 ACKTR 的进行了超参数的调整。

ACKTR性能也可以随batch大小而变化，因为它不仅从每个batch中的信息中导出梯度估计，而且还使用该信息来近似参数空间中的局部曲率。 该特征对于使用大批量尺寸的大规模分布式训练是特别有利的。

A2C和A3C

自从Asynchronous Advantage Actor Critic发表以来，A3C一直非常有影响力。 该算法结合了几个关键思想：

• 一种更新方案，其操作在固定长度的经验段（例如20个时间步长）上，并使用这些段来计算返回和优势函数的估计。
• 在策略和价值功能之间共享层次的体系结构。
• 异步更新。

阅读本文后，AI研究人员想知道不同步是否导致性能提高（例如“可能增加的噪声是否会提供一些正规化或探索？”），或者只是一个实现细节，允许使用基于CPU的更快的训练实现。

作为异步实现的替代方法，研究人员发现，您可以编写一个同步的确定性实现，等待每个演员在执行更新之前完成其经验，并对所有演员进行平均。 该方法的一个优点是可以更有效地使用GPU，这些GPU在批量大的情况下表现最好。该算法叫作 A2C（advantage actor critic 的缩写）。

我们的同步A2C实现表现优于我们的异步实现 - 我们没有看到任何证据表明异步引入的噪声提供了任何性能优势。 当使用单GPU机器时，这种A2C实现比A3C更具成本效益，并且在使用较大策略时比仅限CPU的A3C实现要快。

我们的代码包含了用 A2C 来训练的 CNNs，LSTM 的实现。