1.深度确定性策略梯度

前面的章节介绍了如何使用强化学习来解决离散行为问，例如在Atari游戏中出现的问题。在此基础上，可以解决持续的、有真正价值的行为问题。连续控制的问题有很多，例如机械臂的电动机转矩；自动汽车的转向、加速和制动；地上的轮式机器人运动；无人机的滚动、俯仰和偏航控制等。对于这些问题，可以在强化学习背景下训练神经网络以输出真正价值的行为。

许多连续控制算法涉及两个网络：一个为actor(基于策略)，另一个为critic(基于价值)。因此，这一系列算法称为Actor-Critic算法。actor的角色是学习一个好的策略，以预测给定状态下的好行为。critic的作用是确定actor是否采取了好的行为，并提供反馈作为actor的学习信号。这类似于学生-老师或员工-老板之间的关系，其中学生或员工承担一项任务或工作，老师或老板提供对其行为质量的反馈。

连续控制强化学习的基础是策略梯度，它是对神经网络权重变化的合理估计，以便最大化长期累积折扣奖励。具体地说，其使用链式规则，是对需要反向传播到actor网络中以改进策略的梯度估计，被评估为一小批样品的平均值。本章将讨论以上内容。特别地，将介绍深度确定性策略梯度（DDPG）算法，这是一种最先进的用于连续控制的强化学习算法。

连续控制有许多实际应用。例如，连续控制可以评估自动驾驶汽车的转向/加速和制动，可以用于确定机器人行动所需的转矩，还可以用于生物医学，比如确定人类运动的肌肉控制。

1.1Actor-Critic算法和策略梯度

举一个学生在学校如何学习的例子。学生在学习时通常会犯很多错误。当他们学得很好时，它们的老师会提供积极的反馈；而如果学生在一项任务上做得不好，老师会提供负面反馈。这个反馈可以作为学生更好地完成任务地学习信号。这就是Actor-Critic算法。

Actor-Critic算法包括的步骤如下：

①两个神经网络：一个为actor,另一个为critic

②actor就像学生，在给定的状态下采取行动

③critic就像老师，为actor提供学习地反馈

④与老师不同，critic网络也应该从头开始训练，这使得问题具有挑战性

⑤策略梯度用于训练actor

⑥Bellman更新的L2范数用于训练critic

策略梯度

策略梯度定义如下：

$J$ 是需要最大化的长期奖励函数， $\theta$ 是策略神经网络参数， $N$ 是小批量大小， $Q(s,a)$ 是状态动作值函数， $\pi$ 是策略。换言之，此式计算了动作-价值函数相对于行为的梯度，以及策略相对于网络参数的梯度，并将它们相乘，然后从一个小批量中取 $N$ 个数据样本的平均值。然后，可以在梯度上升设置中使用此策略梯度来更新策略参数。请注意，它本质上是计算策略梯度的微积分的链式规则(chain rule of calculus)。

1.2深度确定性策略梯度

本节将研究DDPG算法，这是一种目前最先进的用于连续控制的强化学习算法之一。它最初由Goole DeepMind于2016年发布，并在社区中引起了大家广泛的兴趣，此后又提出了几种新的变体。与DQN的情况一样，DDPG也使用目标网络来保持稳定性。它还使用重放缓冲区来重新使用过去的数据。因此，DDPG是一种异步策略的强化学习算法。

ddpg.py文件是开始训练和测试的主文件。它将调用TrainOrTest.py中训练或测试函数。AandC.py文件包含actor和critic网络的TensorFlow代码。reply_buffer.py使用双向队列数据结构将样本存储在重放缓冲区中。

代码:

https://github.com/x45w/TensorFlow-Reinforcement-Learning-Quick-Start-Guide-master-DDPGhttps://github.com/x45w/TensorFlow-Reinforcement-Learning-Quick-Start-Guide-master-DDPG

2.思考题

（1）DDPG是同步策略算法还是异步策略算法？

答：DDPG是一种异步策略算法，因为它使用重放缓冲区。

（2）是否必须对actor和critic使用相同的神经网络结构，还是可以选择不同的神经网络结构？

答：一般来说，actor和critic隐藏层和每个隐藏层的神经元数量相同，但这不是必须的。注意，对于actor和critic，输出层是不同的。其中actor的输出数量等于动作的数量，而critic只有一个输出。

（3）能用DDPG玩Atari Breakout吗？

答：DDPG用于连续控制，即动作是连续且实时的。Atari Breakout有离散动作，因此DDPG不适合Atari Breakout。

（4）为什么神经网络的偏置被初始化为小的正值？

答：使用Relu激活函数，因此偏差被初始化为小的正值，以便它们在训练开始时触发并允许梯度反向传播。

（5）试修改本章中的代码来训练一个agent来学习InvertedDoublePendulum-v2问题。是否Pendulum-v0更具挑战性？

答：https://mgoulao.github.io/gym-docs/environments/mujoco/inverted_double_pendulum/

（6）改变神经网络结构，检查agent是否可以学习Pendulum-v0。例如，使用值400、100、25、10、5和1不断减少第一个隐藏层中的神经元数量，并检查agent对第一个隐藏层中的不同数量神经元的表现。如果神经元数量太少，可能会导致信息瓶颈，网络的输入无法充分表示。也就是说，当深入探讨神经网络时，发现信息会丢失。你观察到这种效果了吗？

答：注意当第一层中的神经元数量依次减少时学习会发生什么。一般来说，不仅在强化学习设置中会遇到信息瓶颈，在任何深度学习问题中都会遇到信息瓶颈。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/887198.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！