李宏毅深度强化学习导论——演员-评论员

本文主要是介绍李宏毅深度强化学习导论——演员-评论员，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

引言

本文主要介绍演员-评论员(Actor-Critic)算法。

Critic

给定Actor $\theta$，Critic评估当观测到$s$(或进一步地采取行动$a$)的好坏。

价值函数(Value function)，记为$V^{\theta }(s)$，就是一种Critic。

它的输入是现在的游戏画面，这里的上标$\theta$表示它观察的对象是$\theta$这个actor，输出是一个标量。这个标量表示当看到游戏画面$s$，actor $\theta$接下来期望可以得到了折扣累积奖励：$G_1^{\prime }=r_1+\gamma r_2+{\gamma }^2{r}_3+\cdots$。

比如上图两个游戏画面中，左边有很多外星人，右边则相对少很多，因此左边估计的(价值)标量就会比右边大，当然前提是这个Actor足够厉害，不然没一会就挂了价值估计也会很低。

价值函数依赖于我们观察的Actor，同样的游戏画面不同的Actor应该要得到不同的价值。

那么如何估计价值函数？
我们可以训练一个Critic来估计价值函数，有两种常用的训练方法。

MC

第一种是基于Monte-Carlo(蒙特卡洛,MC)的方法。
它的原理是，让Actor $\theta$去和环境进行很多轮互动，然后就有很多的数据。
经过多轮游戏，我们知道看到状态$s_a$，在这轮游戏结束折扣累积奖励会使$G_a^{\prime }$；看到状态$s_b$，在这轮游戏结束折扣累积奖励会使$G_b^{\prime }$；

其实核心是计算期望，比如有很多轮游戏都看到了$s_a$，然后计算它们的均值当成看到$s_a$会后会得到的折扣累积奖励就好了。

那么我们让Critic看到$s_a$或$s_b$的输出分别与$G_a^{\prime }$或$G_b^{\prime }$越接近越好。

TD

另一种是时序差分(Temporal-difference,TD)方法。MC需要需要玩完整场游戏才能得到关于累积奖励的数据，而TD方法则不同。

只要有$s_t,a_t,r_t,s_{t+1}$的数据就好了，分别是当前状态、当前采取的行动、所获得的奖励、采取行动后跳到的下一个状态。

我们先来看$V^{\theta }(s_t)$和$V^{\theta }(s_{t+1})$之间的关系：
$$\begin{array}{rl}{V}^{\theta }(s_t)& =r_t+\gamma r_{t+1}+{\gamma }^2{r}_{t+2}\cdots \\ V^{\theta }(s_t)& =r_{t+1}+\gamma r_{t+2}+{\gamma }^2{r}_{t+3}\cdots \end{array}\text{\hspace{1em}(1)}$$

联立两个等式我们可以看出：
$$V^{\theta }(s_t)=r_t+\gamma V^{\theta }(s_{t+1})\text{\hspace{1em}(2)}$$

假设我们现在有这样的数据：$s_t,a_t,r_t,s_{t+1}$。

那么分别把$s_t,s_{t+1}$代入价值函数中，分别得到$V^{\theta }(s_t)$和$V^{\theta }(s_{t+1})$，根据等式(2)前者减去$\gamma$乘后者的值应该和$r_t$尽量接近。

MC v.s. TD

假设Critic观察到下面8个episode的数据：

用MC和TD来观察，算出来的价值函数有可能不一样。

那么$V^{\theta }(s_b)$表示看到$s_b$后actor $\theta$期望获得的折扣累积回报：$\frac{6}{8}=\frac{3}{4}$，因为8次游戏里面有6次得到1分。

那$V^{\theta }(s_a)$怎么计算，根据MC方法有：$\frac{0}{1}=0$；
根据TD方法(等式(2))有： $V^{\theta }(s_a)=r+V^{\theta }(s_b)\Rightarrow \frac{3}{4}=0+V^{\theta }(s_b)$， 所以$V^{\theta }(s_b)=\frac{3}{4}$。

可以看到这两种方法算出来的结果不一样，但从它们的角度来说，都是对的。

下面我们看Critic如何被用在训练Actor上。我们上篇文章说可以通过下图的方式来训练Actor：

但我们留下来一个问题，即这个偏置$b$的取值是多少？
这里有一个合理的取值，就是$V^{\theta }(s)$。
即我们根据同样的训练数据可以训练一个Critic，它可以衡量一个状态的期望累积奖励。所以：

我们来理解下$V^{\theta }(s_t)$代表什么意思。现在有$A_t=G_t^{\prime }-V^{\theta }(s_t)$。

我们知道，根据概念是看到$s_t$后会得到的累积奖励期望值。但是要注意的是，看到$s_t$后，你的Actor不一定会执行$a_t$，因为在训练时Actor也要有随机性。
这样我们可以得到不同的累积奖励$G$，平均起来就得到了$V^{\theta }(s_t)$。

那么这里定义$G_t^{\prime }$为在$s_t$下执行$a_t$最后得到的累积奖励。
如果$A_t>0$代表$G_t^{\prime }>V^{\theta }(s_t)$，表明动作$a_t$比(随机执行动作的)平均要好；否则如果$A_t<0$代表比平均要差。

但是仔细思考可能会发现哪里有点不对，这里$G_t^{\prime }$是一个样本的结果，而$V^{\theta }(s_t)$是一个均值。

如果是拿均值减均值就得到了我们要了解的最后一个版本：

上一个版本我们是用$G_t^{\prime }-V^{\theta }(s_t)$来估计$A_t$。
现在变成了用均值，具体地，在$s_t$后执行动作$a_t$得到奖励$r_t$，跳到状态$s_{t+1}$，然后在$s_{t+1}$处拿多个episode的均值计算出$V^{\theta }(s_{t+1})$，或者说我们可以直接将$s_{t+1}$输入给我们的Critic就可以得到这个$V^{\theta }(s_{t+1})$。最后再加上$r_t$就可以得到在$s_t$采取$a_t$后跳到$s_{t+1}$后会得到的期望累积奖励。

然后我们把$G_t^{\prime }$换成$r_t+V^{\theta }(s_{t+1})$得到
$$A_t=r_t+V^{\theta }(s_{t+1})-V^{\theta }(s_t)$$

这就是Advantage Actor-Critic(A2C)方法。

从算法描述我们可以看出Actor和Critic可以通过两个神经网络来模拟。
Actor看到游戏画面，输出要采取的动作分布；Critic看到游戏画面，输出这个Actor会得到的折扣累积奖励期望，是一个标量。

它们的输入是一样的，所以前几层的参数是可以共享的，比如输入是游戏画面时，那么前几层就是CNN网络。所以实际操作时我们可以设计成上图这样。绿色的网络代表CNN，用于游戏画面特征提取。

这篇关于李宏毅深度强化学习导论——演员-评论员的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---