1、DDPG原理
什么是DDPG呢
什么是DDPG呢？它是Actor-Critic 和 DQN 算法的结合体。DDPG的全称是Deep Deterministic Policy Gradient。
我们首先来看Deep，正如Q-learning加上一个Deep就变成了DQN一样，这里的Deep即同样使用DQN中的经验池和双网络结构来促进神经网络能够有效学习。
再来看Deterministic，即我们的Actor不再输出每个动作的概率，而是一个具体的动作，这更有助于我们连续动作空间中进行学习。之前不太理解这个连续动作空间是什么意思，既然policy gradient和dqn都是输出每个动作的概率和q值，那么我们为什么还要用policy gradient呢？这个连续动作空间的例子可以举一个么？既然已经诚心诚意的发问了，那么我就班门弄斧回答一下。假如想要通过强化学习得到一个词的32维词向量，哇，这个词向量的动作空间可是无限大的呀，[1,0....0]是一个动作，[0,1...0]是一个动作，如果加上小数，那更是数不过来啦，这时候我们根本不可能去计算每个动作的概率或者q值，我们只能给定状态即一个单词，直接输出一个合适的词向量。类似于这种情况，DDPG就可以大显神威了。
DDPG实现框架和算法
online 和 target 网络
以往的实践证明，如果只使用单个"Q神经网络"的算法，学习过程很不稳定，因为Q网络的参数在频繁gradient update的同时，又用于计算Q网络和策略网络的gradient, 参见下面等式(1),(2),(3).
基于此，DDPG分别为策略网络、Q网络各创建两个神经网络拷贝,一个叫做online，一个叫做target:
策 略 网 络 { o n l i n e : μ ( s ∣ θ μ ) : g r a d i e n t 更 新 θ μ t a r g e t : μ ′ ( s ∣ θ μ ′ ) : s o f t u p d a t e θ μ ′ 策略网络
{online:μ(s|θμ):gradient更新θμtarget:μ′(s|θμ′):soft update θμ′
策略网络{online:μ(s∣θμ):gradient更新θμtarget:μ′(s∣θμ′):soft update θμ′
Q 网 络 { o n l i n e : Q ( s , a ∣ θ Q ) : g r a d i e n t 更 新 θ Q t a r g e t : Q ′ ( s , a ∣ θ Q ′ ) : s o f t u p d a t e θ Q ′ Q网络 \quad
{online:Q(s,a|θQ):gradient更新θQtarget:Q′(s,a|θQ′):soft update θQ′
Q网络{online:Q(s,a∣θQ):gradient更新θQtarget:Q′(s,a∣θQ′):soft update θQ′
在训练完一个mini-batch的数据之后，通过SGA/SGD算法更新online网络的参数，然后再通过soft update算法更新 target 网络的参数。soft update是一种running average的算法：
s o f t u p d a t e : τ 一 般 取 值 0.001 { θ Q ′ ← τ θ Q + ( 1 − τ ) θ Q ′ θ μ ′ ← τ θ μ + ( 1 − τ ) θ μ ′ \mathop{soft \ update: } _{\tau 一般取值0.001}
{θQ′←τθQ+(1−τ)θQ′θμ′←τθμ+(1−τ)θμ′
soft update:τ一般取值0.001{θQ′←τθQ+(1−τ)θQ′θμ′←τθμ+(1−τ)θμ′
优点：target网络参数变化小，用于在训练过程中计算online网络的gradient，比较稳定，训练易于收敛。
代价：参数变化小，学习过程变慢。
1. 从随机策略到确定性策略
从DDPG这个名字看，它是由D（Deep）+D（Deterministic ）+ PG(Policy Gradient)组成。PG(Policy Gradient)我们在强化学习(十三) 策略梯度(Policy Gradient)里已经讨论过。那什么是确定性策略梯度(Deterministic Policy Gradient，以下简称DPG)呢？
确定性策略是和随机策略相对而言的，对于某一些动作集合来说，它可能是连续值，或者非常高维的离散值，这样动作的空间维度极大。如果我们使用随机策略，即像DQN一样研究它所有的可能动作的概率，并计算各个可能的动作的价值的话，那需要的样本量是非常大才可行的。于是有人就想出使用确定性策略来简化这个问题。
作为随机策略，在相同的策略，在同一个状态处，采用的动作是基于一个概率分布的，即是不确定的。而确定性策略则决定简单点，虽然在同一个状态处，采用的动作概率不同，但是最大概率只有一个，如果我们只取最大概率的动作，去掉这个概率分布，那么就简单多了。即作为确定性策略，相同的策略，在同一个状态处，动作是唯一确定的，即策略变成
()=πθ(s)=a
2. 从DPG到DDPG
在看确定性策略梯度DPG前，我们看看基于Q值的随机性策略梯度的梯度计算公式：
∇()=∼,∼[∇(,)(,)]∇θJ(πθ)=Es∼ρπ,a∼πθ[∇θlogπθ(s,a)Qπ(s,a)]
其中状态的采样空间为ρπ, ∇(,)∇θlogπθ(s,a)是分值函数，可见随机性策略梯度需要在整个动作的空间πθ进行采样。'
而DPG基于Q值的确定性策略梯度的梯度计算公式是：
∇()=∼[∇()∇(,)|=()]∇θJ(πθ)=Es∼ρπ[∇θπθ(s)∇aQπ(s,a)|a=πθ(s)]
跟随机策略梯度的式子相比，少了对动作的积分，多了回报Q函数对动作的导数。
而从DPG到DDPG的过程，完全可以类比DQN到DDQN的过程。除了老生常谈的经验回放以外，我们有了双网络，即当前网络和目标网络的概念。而由于现在我们本来就有Actor网络和Critic两个网络，那么双网络后就变成了4个网络，分别是：Actor当前网络，Actor目标网络，Critic当前网络，Critic目标网络。2个Actor网络的结构相同，2个Critic网络的结构相同。那么这4个网络的功能各自是什么呢？
3. DDPG的原理
DDPG有4个网络，在了解这4个网络的功能之前，我们先复习DDQN的两个网络：当前Q网络和目标Q网络的作用。可以复习强化学习（十）Double DQN (DDQN)。
DDQN的当前Q网络负责对当前状态S使用−ϵ−贪婪法选择动作A，执行动作A,获得新状态′S′和奖励R,将样本放入经验回放池，对经验回放池中采样的下一状态′S′使用贪婪法选择动作′A′，供目标Q网络计算目标Q值，当目标Q网络计算出目标Q值后，当前Q网络会进行网络参数的更新，并定期把最新网络参数复制到目标Q网络。
DDQN的目标Q网络则负责基于经验回放池计算目标Q值,提供给当前Q网络用，目标Q网络会定期从当前Q网络复制最新网络参数。
现在我们回到DDPG，作为DDPG，Critic当前网络，Critic目标网络和DDQN的当前Q网络，目标Q网络的功能定位基本类似，但是我们有自己的Actor策略网络，因此不需要−ϵ−贪婪法这样的选择方法，这部分DDQN的功能到了DDPG可以在Actor当前网络完成。而对经验回放池中采样的下一状态′S′使用贪婪法选择动作′A′，这部分工作由于用来估计目标Q值，因此可以放到Actor目标网络完成。
基于经验回放池和目标Actor网络提供的′,′S′,A′计算目标Q值的一部分，这部分由于是评估，因此还是放到Critic目标网络完成。而Critic目标网络计算出目标Q值一部分后，Critic当前网络会计算目标Q值，并进行网络参数的更新，并定期将网络参数复制到Critic目标网络。
此外，Actor当前网络也会基于Critic目标网络计算出的目标Q值，进行网络参数的更新，并定期将网络参数复制到Actor目标网络。
有了上面的思路，我们总结下DDPG 4个网络的功能定位：
1. Actor当前网络：负责策略网络参数θ的迭代更新，负责根据当前状态S选择当前动作A，用于和环境交互生成′,S′,R。
2. Actor目标网络：负责根据经验回放池中采样的下一状态′S′选择最优下一动作′A′。网络参数′θ′定期从θ复制。
3. Critic当前网络：负责价值网络参数w的迭代更新，负责计算负责计算当前Q值(,,)Q(S,A,w)。目标Q值=+′(′,′,′)yi=R+γQ′(S′,A′,w′)
4. Critic目标网络：负责计算目标Q值中的′(′,′,′)Q′(S′,A′,w′)部分。网络参数′w′定期从w复制。
DDPG除了这4个网络结构，还用到了经验回放，这部分用于计算目标Q值，和DQN没有什么区别，这里就不展开了。
此外，DDPG从当前网络到目标网络的复制和我们之前讲到了DQN不一样。回想DQN，我们是直接把将当前Q网络的参数复制到目标Q网络，即′=w′=w, DDPG这里没有使用这种硬更新，而是使用了软更新，即每次参数只更新一点点，即：
′←+(1−)′w′←τw+(1−τ)w′
′←+(1−)′θ′←τθ+(1−τ)θ′
其中τ是更新系数，一般取的比较小，比如0.1或者0.01这样的值。
同时，为了学习过程可以增加一些随机性，增加学习的覆盖，DDPG对选择出来的动作A会增加一定的噪声N,即最终和环境交互的动作A的表达式是：
=()+A=πθ(S)+N
最后，我们来看看DDPG的损失函数。对于Critic当前网络，其损失函数和DQN是类似的，都是均方误差，即：
()=1∑=1(−((),,))2J(w)=1m∑j=1m(yj−Q(ϕ(Sj),Aj,w))2
而对于 Actor当前网络，其损失函数就和之前讲的PG，A3C不同了，这里由于是确定性策略，原论文定义的损失梯度是：
∇()=1∑=1[∇(,,)|=,=()∇()|=]∇J(θ)=1m∑j=1m[∇aQ(si,ai,w)|s=si,a=πθ(s)∇θπθ(s)|s=si]
这个可以对应上我们第二节的确定性策略梯度，看起来比较麻烦，但是其实理解起来很简单。假如对同一个状态，我们输出了两个不同的动作1a1和2a2，从Critic当前网络得到了两个反馈的Q值，分别是1,2Q1,Q2，假设1>2Q1>Q2,即采取动作1可以得到更多的奖励，那么策略梯度的思想是什么呢，就是增加1a1的概率，降低2a2的概率，也就是说，Actor想要尽可能的得到更大的Q值。所以我们的Actor的损失可以简单的理解为得到的反馈Q值越大损失越小，得到的反馈Q值越小损失越大，因此只要对状态估计网络返回的Q值取个负号即可，即：
()=−1∑=1(,,)J(θ)=−1m∑j=1mQ(si,ai,w)
4. DDPG算法流程
这里我们总结下DDPG的算法流程
输入：Actor当前网络，Actor目标网络，Critic当前网络，Critic目标网络,参数分别为,′,,′θ,θ′,w,w′,衰减因子γ, 软更新系数τ,批量梯度下降的样本数m,目标Q网络参数更新频率C。最大迭代次数T。随机噪音函数\mathcal{N}
输出：最优Actor当前网络参数θ,Critic当前网络参数w
1. 随机初始化,θ,w, ′=w′=w,′=θ′=θ。清空经验回放的集合D
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当前网络基于状态S得到动作=(())+A=πθ(ϕ(S))+N
c) 执行动作A,得到新状态′S′,奖励R,是否终止状态%is\_end$
d) 将{(),,,(′),_}{ϕ(S),A,R,ϕ(S′),is_end}这个五元组存入经验回放集合D
e) S=S'
f) 从经验回放集合D中采样m个样本{(),,,(′),_},=1,2.,,,{ϕ(Sj),Aj,Rj,ϕ(Sj′),is_endj},j=1,2.,,,m，计算当前目标Q值yj：
={+′((′),′((′)),′)__yj={Rjis_endjistrueRj+γQ′(ϕ(Sj′),πθ′(ϕ(Sj′)),w′)is_endjisfalse
g) 使用均方差损失函数1∑=1(−((),,))21m∑j=1m(yj−Q(ϕ(Sj),Aj,w))2，通过神经网络的梯度反向传播来更新Critic当前网络的所有参数w
h) 使用()=−1∑=1(,,)J(θ)=−1m∑j=1mQ(si,ai,θ)，，通过神经网络的梯度反向传播来更新Actor当前网络的所有参数θ
i) 如果T%C=1,则更新Critic目标网络和Actor目标网络参数：
′←+(1−)′w′←τw+(1−τ)w′
′←+(1−)′θ′←τθ+(1−τ)θ′
j) 如果′S′是终止状态，当前轮迭代完毕，否则转到步骤b)
以上就是DDPG算法的主流程，要注意的是上面2.f中的′((′))πθ′(ϕ(Sj′))是通过Actor目标网络得到，而′((′),′((′)),′)Q′(ϕ(Sj′),πθ′(ϕ(Sj′)),w′)则是通过Critic目标网络得到的。
5. DDPG实例
这里我们给出DDPG第一个算法实例，代码主要参考自莫烦的Github代码。增加了测试模型效果的部分，优化了少量参数。代码详见：https://github.com/ljpzzz/machinelearning/blob/master/reinforcement-learning/ddpg.py
这里我们没有用之前的CartPole游戏，因为它不是连续动作。我们使用了Pendulum-v0这个游戏。目的是用最小的力矩使棒子竖起来，这个游戏的详细介绍参见这里。输入状态是角度的sin，cos值，以及角速度。一共三个值。动作是一个连续的力矩值。