系统学习深度学习（三十六）--Actor-Critic

转自：https://www.cnblogs.com/pinard/p/10272023.html

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：

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：

v̂ (s,w)≈vπ(s)

q̂ (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，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：

　　　　梯度更新部分中，∇θlogπθ(st,at)是我们的分值函数，不用动，要变成Actor的话改动的是vt，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vt, 而Actor利用vt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vt。

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vt,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：

　　　　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：

　　　　c) 基于TD误差：TD误差的表达式是或者, 这样Actor的策略函数参数更新的法公式是：

 　　　  d) 基于优势函数Dueling DQN中，我们讲到过优势函数A的定义：,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：

　　　　e) 基于TD(λλ)误差：一般都是基于后向TD(λλ)误差，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：

　　　　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)=ϕ(s,a)Tw则Critic本身的模型参数w的更新公式可以表示为：

　　　　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, 拿到其特征向量ϕ(S)

　　　　　　b) 在Actor网络中使用ϕ(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ϕ(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)

　　　　　　e) 使用均方差损失函数作Critic网络参数ww的梯度更新

　　　　　　f)  更新Actor网络参数θθ:

　　　　对于Actor的分值函数∇θlogπθ(St,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)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)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。