深度强化学习-Actor-Critic算法原理和实现

深度强化学习-Actor-Critic算法原理和实现

1、Actor-Critic算法原理

我们为什么要有Actor-Critic呢,下面的话摘自莫烦老师的文章:

我们有了像 Q-learning这么伟大的算法, 为什么还要瞎折腾出一个 Actor-Critic? 原来 Actor-Critic 的 Actor 的前生是 Policy Gradients, 这能让它毫不费力地在连续动作中选取合适的动作, 而 Q-learning 做这件事会瘫痪. 那为什么不直接用 Policy Gradients 呢? 原来 Actor Critic 中的 Critic 的前生是 Q-learning 或者其他的 以值为基础的学习法 , 能进行单步更新, 而传统的 Policy Gradients 则是回合更新, 这降低了学习效率.

上面的一段话不仅解释了为什么会有Actor-Critic这么一个算法,同时也告诉了我们,这个算法具体是怎么做的。如果大家已经心中有数并且想马上看代码的话,这一段是可以直接跳过的。既然Actor其实是一个Policy Network ,那么他就需要奖惩信息来进行调节不同状态下采取各种动作的概率,在传统的Policy Gradient算法中,这种奖惩信息是通过走完一个完整的episode来计算得到的。这不免导致了学习速率很慢,需要很长时间才可以学到东西。既然Critic是一个以值为基础的学习法,那么他可以进行单步更新,计算每一步的奖惩值。那么二者相结合,Actor来选择动作,Critic来告诉Actor它选择的动作是否合适。在这一过程中,Actor不断迭代,得到每一个状态下选择每一动作的合理概率,Critic也不断迭代,不断完善每个状态下选择每一个动作的奖惩值。

下图就简单的介绍了Actor-Critic算法的流程:

img

但Actor-Critic并不是一个完善的算法, 后面还会提到进一步的改进:

Actor-Critic 涉及到了两个神经网络, 而且每次都是在连续状态中更新参数, 每次参数更新前后都存在相关性, 导致神经网络只能片面的看待问题, 甚至导致神经网络学不到东西。

2、代码解析

2.1 Actor

定义Actor输入
在这里,由于我们的Actor可以进行单次训练,所以我们的输入只需要是一个状态,一个动作和一个奖励:

1
2
3
self.s = tf.placeholder(tf.float32,[1,n_features],name='state')
self.a = tf.placeholder(tf.int32,None,name='act')
self.td_error = tf.placeholder(tf.float32,None,"td_error")

Actor的网络定义
Actor的神经网络结构和我们的Policy Gradient定义的是一样的,是一个双层的全链接神经网络:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
with tf.variable_scope('Actor'):
l1 = tf.layers.dense(
inputs = self.s,
units = 20,
activation = tf.nn.relu,
kernel_initializer = tf.random_normal_initializer(mean=0,stddev=0.1),
bias_initializer = tf.constant_initializer(0.1),
name = 'l1'
)

self.acts_prob = tf.layers.dense(
inputs = l1,
units = n_actions,
activation = tf.nn.softmax,
kernel_initializer = tf.random_normal_initializer(mean=0,stddev=0.1),
bias_initializer = tf.constant_initializer(0.1),
name = 'acts_prob'
)

损失函数
损失函数还是使用的Policy Gradient中提到过的loss= -log(prob)*vt,只不过这里的vt换成了由Critic计算出的时间差分误差td_error

1
2
3
4
5
6
7
with tf.variable_scope('exp_v'):
log_prob = tf.log(self.acts_prob[0,self.a])
self.exp_v = tf.reduce_mean(log_prob * self.td_error)


with tf.variable_scope('train'):
self.train_op = tf.train.AdamOptimizer(lr).minimize(-self.exp_v)

Actor训练
Actor的训练只需要将状态,动作以及时间差分值喂给网络就可以。

1
2
3
4
5
def learn(self,s,a,td):
s = s[np.newaxis,:]
feed_dict = {self.s:s,self.a:a,self.td_error:td}
_,exp_v = self.sess.run([self.train_op,self.exp_v],feed_dict=feed_dict)
return exp_v

选择动作

选择动作和Policy Gradient一样,根据计算出的softmax值来选择动作

1
2
3
4
def choose_action(self,s):
s = s[np.newaxis,:]
probs = self.sess.run(self.acts_prob,feed_dict={self.s:s})
return np.random.choice(np.arange(probs.shape[1]),p=probs.ravel())

2.2 Critic

定义Critic输入

Critic要反馈给Actor一个时间差分值,来决定Actor选择动作的好坏,如果时间差分值大的话,说明当前Actor选择的这个动作的惊喜度较高,需要更多的出现来使得时间差分值减小。
考虑时间差分的计算:
TD = r + gamma * f(s’) - f(s),这里f(s)代表将s状态输入到Critic神经网络中得到的Q值。
所以Critic的输入也分三个,首先是当前状态,当前的奖励,以及下一个时刻的奖励折现值。为什么没有动作A呢?动作A是确定的呀,是Actor选的呀,对不对!还有为什么不是下一时刻的Q值而不是下一个时刻的状态,因为我们已经在计算TD时已经把状态带入到神经网络中得到Q值了。相信你看代码就明白了。

1
2
3
self.s = tf.placeholder(tf.float32,[1,n_features],name='state')
self.v_ = tf.placeholder(tf.float32,[1,1],name='v_next')
self.r = tf.placeholder(tf.float32,None,name='r')

定义网络结构

同Actor一样,我们的Critic也是一个双层的神经网络结构。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
with tf.variable_scope('Critic'):
l1 = tf.layers.dense(
inputs = self.s,
units = 20,
activation = tf.nn.relu,
kernel_initializer = tf.random_normal_initializer(0,0.1),
bias_initializer = tf.constant_initializer(0.1),
name = 'l1'
)

self.v = tf.layers.dense(
inputs = l1,
units = 1,
activation = None,
kernel_initializer=tf.random_normal_initializer(0,0.1),
bias_initializer = tf.constant_initializer(0.1),
name = 'V'
)

定义损失
Critic的损失定义为时间差分值的平方值

1
2
3
4
5
6
7
with tf.variable_scope('squared_TD_error'):
self.td_error = self.r + gamma * self.v_ - self.v
self.loss = tf.square(self.td_error)


with tf.variable_scope('train'):
self.train_op = tf.train.AdamOptimizer(lr).minimize(self.loss)

训练Critic
Critic的任务就是告诉Actor当前选择的动作好不好,所以我们只要训练得到TD并返回给Actor就好:

1
2
3
4
5
6
7
8
9
def learn(self,s,r,s_):
s,s_ = s[np.newaxis,:],s_[np.newaxis,:]

v_ = self.sess.run(self.v,feed_dict = {self.s:s_})

td_error,_ = self.sess.run([self.td_error,self.train_op],
feed_dict={self.s:s,self.v_:v_,self.r:r})

return td_error

2.3 整体模型训练

有了Critic之后,Actor就可以进行单步训练和更新了,所以训练中的关键的代码如下:

1
2
3
4
5
6
while True:
a = actor.choose_action(s)
s_,r,done,info = env.step(a)
td_error = critic.learn(s,r,s_)
actor.learn(s,a,td_error)
s = s_
-------------本文结束感谢您的阅读-------------
感谢您的支持,我会继续努力的!
0%