强化学习笔记：Actor-critic

0 复习

由于actor-critic 是 policy gradient 和DQN的一个结合，所以我们先对这两个进行一个简单的复习：

0.1 policy gradient

强化学习笔记：Policy-based Approach_UQI-LIUWJ的博客-CSDN博客

         在policy network中，我们使用梯度上升的方法更新参数。梯度计算方法如下：（这里的N是采样次数，我们为了更新θ，采样N次）

         这个式子是在说，我们先让 agent 去跟环境互动（采样），那我们可以计算出在某一个状态 s，采取了某一个动作 a 的概率。

        接下来，我们去计算在某一个状态 s 采取了某一个动作 a 之后，到游戏结束为止，累积奖励有多大。我们把从时间 t 到时间 T 的奖励通通加起来，并且会在前面乘一个折扣因子γ。

        我们会减掉一个 baseline b，减掉这个值 b 的目的，是希望括号这里面这一项是有正有负的。如果括号里面这一项是正的，我们就要通过更新θ来增加在这个状态采取这个动作的机率；如果括号里面是负的，我们就要通过更新θ来减少在这个状态采取这个动作的机率。

         我们把用 G 来表示累积奖励。

        但 G 这个值，其实是非常不稳定的。因为互动（采样）的过程本身是有随机性的，所以在某一个状态 s 采取某一个动作 a，然后计算累积奖励，每次算出来的结果都是不一样的（因为后续各状态选取action都是按照概率选取的，所以之后各个状态、各个action的路径是不一样的） 。

        假设我们可以采样足够的次数，在每次更新参数之前，我们都可以采样足够的次数，那其实没有什么问题。但问题就是我们每次做 policy gradient，每次更新参数之前都要做一些采样，这个采样的次数其实是不可能太多的，我们只能够做非常少量的采样。所以会有一定的误差。这也是policy gradient的不足之处

0.2 DQN

        那么针对之前所说的policy gradient的不足之处，有没有什么办法可以让整个训练过程变得稳定一些呢？ 

        

         我们在状态 s 采取动作 a 的时候，直接用一个网络去估测在状态 s 采取动作 a 的时候，G 的期望值。如果这件事情是可行的，那之后训练的时候，就用期望值来代替采样的值，这样会让训练变得比较稳定。

        这边就需要引入基于价值的(value-based)的方法。基于价值的方法就是 Q-learning。Q-learning 有两种函数，有两种 critics：

• 第一种 critic 是，它的意思是说，假设 actor 是 π，拿 π 去跟环境做互动，当我们看到状态 s 的时候，接下来累积奖励 的期望值有多少。

• 还有一个 critic 是。把 s 跟 a 当作输入，它的意思是说，在状态 s 采取动作 a，接下来都用 actor π 来跟环境进行互动，累积奖励的期望值是多少。

        可以用 TD 或 MC 来估计。用 TD 比较稳定，用 MC 比较精确。

DQN 笔记 State-action Value Function(Q-function)_UQI-LIUWJ的博客-CSDN博客

1 actor-critic

 随机变量 G的期望值正好就是 Q

        Q-function 的定义就是在某一个状态 s，采取某一个动作 a，假设 policy 就是 π 的情况下会得到的累积奖励的期望值有多大，而这个东西就是 G 的期望值。

        所以假设用来代表这一项的话，把 Q-function 套在这里就结束了，我们就可以把 Actor 跟 Critic 这两个方法结合起来。

         有不同的方法来表示 baseline，但一个常见的做法是用价值函数来表示 baseline。

        价值函数是说，假设 policy 是π，在某一个状态 s 一直互动到游戏结束，期望奖励(expected reward)有多大。没有涉及到动作，涉及到动作。

       会是的期望值（关于不同action的期望值），所以会有正有负，所以代换后的 这一项就会是有正有负的。合理。

        

所以我们就把 policy gradient 里面 这一项换成了。

2 advantage actor-critic (A2C)

2.1 大致思想

        如果你这么实现的话，有一个缺点是：你要估计 2 个 网络：Q-network 和 V-network。不仅耗时，而且不确定性大。

        事实上在这个 Actor-Critic 方法里面。你可以只估测 V 这个网络，你可以用 V 的值来表示 Q 的值，可以写成的期望值，即

        

         你在状态 s 采取动作 a，会得到奖励 r，然后跳到状态。但是你会得到什么样的奖励 r，跳到什么样的状态，它本身是有随机性的。所以要把右边这个式子，取期望值它才会等于 Q-function。

         但是在A3C 论文里面，通过实验发现，把期望值直接摘掉，效果更好，于是就有：

        因为叫做 Advantage function。所以这整个方法就叫 Advantage Actor-Critic。

 2.2 大体流程

         我们有一个 初始的 actor  π，用他去跟环境做互动，先采样收集资料。

        在 policy gradient 方法里面收集资料以后，你就要拿去通过梯度上升的方法更新 policy。

        但是在 actor-critic 方法里面，你先拿这些采样得到的资料去估计价值函数V（用 TD 或 MC 来估计价值函数） 。接下来，你再基于价值函数，套用下面这个式子去更新 π，得到新的actor π'。

    

        然后你有了新的 π 以后，再去跟环境互动，再收集新的资料，去估计价值函数。然后再用新的价值函数 去更新 policy，去更新 actor。

2.3 tips

2.3.1 前几层共享参数

        我们需要估计两个网络：V function 、 policy 的网络（也就是 actor）。 

• Critic 网络输入一个状态，输出一个标量。
• Actor 网络π(s) 输入一个状态，
  • 如果动作是离散的，输出就是一个动作的概率分布。
  • 如果动作是连续的，输出就是一个连续的向量。
• 这两个网络，actor 和 critic 的输入都是 s，所以它们前面几个层是可以共享的。

        假设你今天是玩 Atari 游戏，输入都是图像。输入的图像都非常复杂，图像很大，通常你前面都会用一些 CNN 来处理，把那些图像抽象成高级的信息。把像素级别的信息抽象成高级信息这件事情，其实对 actor 跟 critic 来说是可以共用的。所以通常你会让 actor 跟 critic 的前面几个层共用同一组参数，那这一组参数可能是 CNN 的参数。

        换句话说，先把输入的像素变成比较高级的信息，然后再给 actor 去决定说它要采取什么样的行为；给 critic去计算V function。

2.3.2 探索机制exploration

        在做 Actor-Critic 的时候，有一个常见的探索的方法是去约束 π 的输出的分布。

        这个约束是希望这个分布的熵(entropy)不要太小，希望这个分布的熵可以大一点，也就是希望不同的动作它的被采用的概率平均一点。

        这样在测试的时候，它才会多尝试各种不同的动作，才会把这个环境探索的比较好，才会得到比较好的结果。