学习
实践
活动
专区
工具
TVP
写文章
专栏首页机器学习算法原理与实践强化学习(十四) Actor-Critic

强化学习(十四) Actor-Critic

    在强化学习(十三) 策略梯度(Policy Gradient)中,我们讲到了基于策略(Policy Based)的强化学习方法的基本思路,并讨论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。

    在本篇我们讨论策略(Policy Based)和价值(Value Based)相结合的方法:Actor-Critic算法。

    本文主要参考了Sutton的强化学习书第13章和UCL强化学习讲义的第7讲。

1. Actor-Critic算法简介

    Actor-Critic从名字上看包括两部分,演员(Actor)和评价者(Critic)。其中Actor使用我们上一节讲到的策略函数,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。

    回想我们上一篇的策略梯度,策略函数就是我们的Actor,但是那里是没有Critic的,我们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:$$\pi_{\theta}(s,a) = P(a|s,\theta)\approx  \pi(a|s)$$

    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:$$\hat{v}(s, w) \approx v_{\pi}(s)$$$$\hat{q}(s,a,w) \approx q_{\pi}(s,a)$$

     对于我们上一节讲到的蒙特卡罗策略梯度reinforce算法,我们需要进行改造才能变成Actor-Critic算法。

    首先,在蒙特卡罗策略梯度reinforce算法中,我们的策略的参数更新公式是:$$\theta = \theta + \alpha \nabla_{\theta}log \pi_{\theta}(s_t,a_t)  v_t$$

    梯度更新部分中,$\nabla_{\theta}log \pi_{\theta}(s_t,a_t) $是我们的分值函数,不用动,要变成Actor的话改动的是$v_t$,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,这块是新的,不过我们完全可以参考之前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。

    现在我们汇总来说,就是Critic通过Q网络计算状态的最优价值$v_t$, 而Actor利用$v_t$这个最优价值迭代更新策略函数的参数$\theta$,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$v_t$。

2. Actor-Critic算法可选形式

    在上一节我们已经对Actor-Critic算法的流程做了一个初步的总结,不过有一个可以注意的点就是,我们对于Critic评估的点选择是和上一篇策略梯度一样的状态价值$v_t$,实际上,我们还可以选择很多其他的指标来做为Critic的评估点。而目前可以使用的Actor-Critic评估点主要有:

    a) 基于状态价值:这是我们上一节使用的评估点,这样Actor的策略函数参数更新的法公式是:$$\theta = \theta + \alpha \nabla_{\theta}log \pi_{\theta}(s_t,a_t)  V(s,w)$$

    b) 基于动作价值:在DQN中,我们一般使用的都是动作价值函数Q来做价值评估,这样Actor的策略函数参数更新的法公式是:$$\theta = \theta + \alpha \nabla_{\theta}log \pi_{\theta}(s_t,a_t)  Q(s,a,w)$$

    c) 基于TD误差:在强化学习(五)用时序差分法(TD)求解中,我们讲到了TD误差,它的表达式是$\delta(t) = R_{t+1} + \gamma V(S_{t+1}) -V(S_t)$或者$\delta(t) = R_{t+1} + \gamma Q(S_{t+1},A_{t+1} ) -Q(S_t,A_t)$, 这样Actor的策略函数参数更新的法公式是:$$\theta = \theta + \alpha \nabla_{\theta}log \pi_{\theta}(s_t,a_t)\delta(t)$$

      d) 基于优势函数:在强化学习(十二) Dueling DQN中,我们讲到过优势函数A的定义:$A(S,A,w,\beta) = Q(S,A, w, \alpha, \beta) - V(S,w,\alpha) $,即动作价值函数和状态价值函数的差值。这样Actor的策略函数参数更新的法公式是:$$\theta = \theta + \alpha \nabla_{\theta}log \pi_{\theta}(s_t,a_t)A(S,A,w,\beta)$$

    e) 基于TD($\lambda$)误差:一般都是基于后向TD($\lambda$)误差, 在强化学习(五)用时序差分法(TD)求解中也有讲到,是TD误差和效用迹E的乘积。这样Actor的策略函数参数更新的法公式是:$$\theta = \theta + \alpha \nabla_{\theta}log \pi_{\theta}(s_t,a_t)\delta(t)E_(t)$$

    对于Critic本身的模型参数$w$,一般都是使用均方误差损失函数来做做迭代更新,类似之前DQN系列中所讲的迭代方法. 如果我们使用的是最简单的线性Q函数,比如$Q(s,a ,w) = \phi(s,a)^Tw$,则Critic本身的模型参数$w$的更新公式可以表示为:$$\delta = R_{t+1} + \gamma Q(S_{t+1},A_{t+1} ) -Q(S_t,A_t)$$$$w = w+ \beta\delta\phi(s,a)$$

    通过对均方误差损失函数求导可以很容易的得到上式。当然实际应用中,我们一般不使用线性Q函数,而使用神经网络表示状态和Q值的关系。

3. Actor-Critic算法流程

    这里给一个Actor-Critic算法的流程总结,评估点基于TD误差,Critic使用神经网络来计算TD误差并更新网络参数,Actor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$\alpha,\beta$,衰减因子$\gamma$, 探索率$\epsilon$, Critic网络结构和Actor网络结构。

    输出:Actor 网络参数$\theta$, 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$Q$.  随机初始化Critic网络的所有参数$w$。随机初始化Actor网络的所有参数$\theta$。

    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, 拿到其特征向量$\phi(S)$

      b) 在Actor网络中使用$\phi(S)$作为输入,输出动作$A$,基于动作$A$得到新的状态$S'$,反馈$R$。

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

      d) 计算TD误差$\delta = R +V(S’) -V(S) $

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

      f)  更新Actor网络参数$\theta$:$$\theta = \theta + \alpha \nabla_{\theta}log \pi_{\theta}(S_t,A)\delta$$

    对于Actor的分值函数$\nabla_{\theta}log \pi_{\theta}(S_t,A)$,可以选择softmax或者高斯分值函数。

    上述Actor-Critic算法已经是一个很好的算法框架,但是离实际应用还比较远。主要原因是这里有两个神经网络,都需要梯度更新,而且互相依赖。但是了解这个算法过程后,其他基于Actor-Critic的算法就好理解了。

4. Actor-Critic算法实例

    下面我们用一个具体的例子来演示上面的Actor-Critic算法。仍然使用了OpenAI Gym中的CartPole-v0游戏来作为我们算法应用。CartPole-v0游戏的介绍参见这里。它比较简单,基本要求就是控制下面的cart移动使连接在上面的pole保持垂直不倒。这个任务只有两个离散动作,要么向左用力,要么向右用力。而state状态就是这个cart的位置和速度, pole的角度和角速度,4维的特征。坚持到200分的奖励则为过关。

    算法流程可以参考上面的第三节,这里的分值函数我们使用的是softmax函数,和上一片的类似。完整的代码参见我的Github:https://github.com/ljpzzz/machinelearning/blob/master/reinforcement-learning/actor_critic.py

    代码主要分为两部分,第一部分是Actor,第二部分是Critic。对于Actor部分,大家可以和上一篇策略梯度的代码对比,改动并不大,主要区别在于梯度更新部分,策略梯度使用是蒙特卡罗法计算出的价值$v(t)$,则我们的actor使用的是TD误差。

    在策略梯度部分,对应的位置如下:

self.loss = tf.reduce_mean(self.neg_log_prob * self.tf_vt)  # reward guided loss

    而我们的Actor对应的位置的代码是:

        self.exp = tf.reduce_mean(self.neg_log_prob * self.td_error)

    此处要注意的是,由于使用的是TD误差,而不是价值$v(t)$,此处需要最大化self.exp,而不是最小化它,这点和策略梯度不同。对应的Actor代码为:

        #这里需要最大化当前策略的价值,因此需要最大化self.exp,即最小化-self.exp
        self.train_op = tf.train.AdamOptimizer(LEARNING_RATE).minimize(-self.exp)

    除此之外,Actor部分的代码和策略梯度的代码区别并不大。

    对于Critic部分,我们使用了类似于DQN的三层神经网络。不过我们简化了这个网络的输出,只有一维输出值,而不是之前DQN使用的有多少个可选动作,就有多少维输出值。网络结构如下:

    def create_Q_network(self):
        # network weights
        W1q = self.weight_variable([self.state_dim, 20])
        b1q = self.bias_variable([20])
        W2q = self.weight_variable([20, 1])
        b2q = self.bias_variable([1])
        self.state_input = tf.placeholder(tf.float32, [1, self.state_dim], "state")
        # hidden layers
        h_layerq = tf.nn.relu(tf.matmul(self.state_input, W1q) + b1q)
        # Q Value layer
        self.Q_value = tf.matmul(h_layerq, W2q) + b2q

     和之前的DQN相比,这里还有一个区别就是我们的critic没有使用DQN的经验回放,只是使用了反馈和当前网络在下一个状态的输出来拟合当前状态。

          对于算法中Actor和Critic交互的逻辑,在main函数中:

    for step in range(STEP):
      action = actor.choose_action(state) # e-greedy action for train
      next_state,reward,done,_ = env.step(action)
      td_error = critic.train_Q_network(state, reward, next_state)  # gradient = grad[r + gamma * V(s_) - V(s)]
      actor.learn(state, action, td_error)  # true_gradient = grad[logPi(s,a) * td_error]
      state = next_state
      if done:
          break

    大家对照第三节的算法流程和代码应该可以比较容易理清这个过程。但是这个程序很难收敛。因此大家跑了后发现分数总是很低的话是可以理解的。我们需要优化这个问题。

5. Actor-Critic算法小结

    基本版的Actor-Critic算法虽然思路很好,但是由于难收敛的原因,还需要做改进。

    目前改进的比较好的有两个经典算法,一个是DDPG算法,使用了双Actor神经网络和双Critic神经网络的方法来改善收敛性。这个方法我们在从DQN到Nature DQN的过程中已经用过一次了。另一个是A3C算法,使用了多线程的方式,一个主线程负责更新Actor和Critic的参数,多个辅线程负责分别和环境交互,得到梯度更新值,汇总更新主线程的参数。而所有的辅线程会定期从主线程更新网络参数。这些辅线程起到了类似DQN中经验回放的作用,但是效果更好。

    在后面的文章中,我们会继续讨论DDPG和A3C。

(欢迎转载,转载请注明出处。欢迎沟通交流: liujianping-ok@163.com)      

本文参与 腾讯云自媒体分享计划 ,欢迎热爱写作的你一起参与!
本文分享自作者个人站点/博客:http://www.cnblogs.com/pinard复制
如有侵权,请联系 cloudcommunity@tencent.com 删除。
登录 后参与评论
0 条评论

相关文章

  • 强化学习系列(五)--Actor-Critic实例

    在基于价值算法中,是根据值函数对策略进行改进,对比基于策略的方法,他的决策更为肯定就是选择价值最高的;而基于策略方法,是直接对策略进行迭代让累计回报最大。

    languageX
  • 强化学习系列(六)--Actor-Critic实例二

    在上文中我们介绍了Acort-Critic的一种实现方式,本文主要介绍AC网络的一些优化算法。

    languageX
  • 深度强化学习-Actor-Critic算法原理和实现

    在之前的几篇文章中,我们介绍了基于价值Value的强化学习算法Deep Q Network。有关DQN算法以及各种改进算法的原理和实现,可以参考之前的文章: 实...

    石晓文
  • Actor-Critic:强化学习中的参与者-评价者算法简介

    Actor-Critic从名字上看包括两部分,参与者(Actor)和评价者(Critic)。其中Actor使用策略函数,负责生成动作(Action)并和环境交互...

    deephub
  • 强化学习(十五) A3C

        在强化学习(十四) Actor-Critic中,我们讨论了Actor-Critic的算法流程,但是由于普通的Actor-Critic算法难以收敛,需要一...

    刘建平Pinard
  • 推荐系统遇上深度学习(十四)--强化学习与推荐系统的强强联合!

    之前学习了强化学习的一些内容以及推荐系统的一些内容,二者能否联系起来呢!今天阅读了一篇论文,题目叫《DRN: A Deep Reinforcement Lear...

    石晓文
  • redis学习(十四)

    SpringBoot 操作数据:spring-data jpa jdbc mongodb redis! SpringData 也是和 SpringBoot 齐...

    崔笑颜
  • 强化学习

    强化学习(reinforcement learning.)是指智能系统在与环境的连续互动中学习最优行为策略的机器学习问题。假设智能系统与环境的互动基于马尔可夫决...

    爱编程的小明
  • 强化学习

    强化学习能够实现很多的任务,这些任务目标往往可以归纳化为最大化长期奖励、最小化长期惩罚。比如在写论文,写完论文过审了,得到最佳论文凭证的奖学金,获得很高的引用,...

    云大学小编
  • 【强化学习】从强化学习基础概念开始

    在开始探索强化学习的诸多算法之前,我们先来了解一下它所涉及到的具体概念。这些概念将作为基石,一直陪伴着我们的学习之旅。为了能够将这些概念熟记在心,我们这一期做成...

    用户1508658
  • Redis学习笔记(十四)

    AOF 采用文件追加方式,文件会越来越大,为避免出现此种情况,新增了重写机制,当AOF文件的大小

    用户1289394
  • 【强化学习篇】--强化学习案例详解一

    转变为如下图:先构造奖励,达到5,即能够走得5的action则说明奖励比较高设置成100,没有达到5说明奖励比较低,设置成0。

    LhWorld哥陪你聊算法
  • 强化学习(十九) AlphaGo Zero强化学习原理

        在强化学习(十八) 基于模拟的搜索与蒙特卡罗树搜索(MCTS)中,我们讨论了MCTS的原理和在棋类中的基本应用。这里我们在前一节MCTS的基础上,讨论下...

    刘建平Pinard
  • 【ICML教程】深度强化学习,决策与控制(117 PPT)

    【新智元导读】本文来自 ICML 2017 的 tutorial,主题是深度学习应用中的决策和控制问题,介绍了与强化学习相关的强化和最优控制的基础理论,以及将深...

    新智元
  • 【强化学习篇】--强化学习从初识到应用

    强化学习是学习一个最优策略(policy),可以让本体(agent)在特定环境(environment)中,根据当前的状态(state),做出行动(action...

    LhWorld哥陪你聊算法
  • 强化学习族谱

    https://github.com/tigerneil/deep-reinforcement-learning-family

    用户1908973
  • 强化学习入门

    马尔科夫假设:t+1时刻的状态只和t时刻有关,跟t以前没有关系,在棋类游戏中很明显。

    小小杨
  • 强化学习总结

    绿巨人

扫码关注腾讯云开发者

领取腾讯云代金券