异步优势评论家算法，js排序算法

本文为 AI 研习社编译的技术博客，原标题 ：

An intro to Advantage Actor Critic methods: let’s play Sonic the Hedgehog!

作者 | Thomas Simonini

翻译、校对 | 斯蒂芬?二狗子

审核 | 邓普斯?杰弗

整理 | 菠萝妹

原文链接：

深度强化学习从入门到大师：简单介绍A3C （第五部分）

从本系列课程开始，我们研究了两种不同的强化学习方法：

• 基于数值的方法（Q-learning，Deep Q-learning）：该方法是学习一个值函数，该值函数将每组状态、动作映射到一个数值。多亏了这个方法， 可以找到了每个状态的最佳行动 – 具有最大Q值的行动。当行动个数有限时，该方法很有效。

• 基于策略函数的方法（策略梯度方法之REINFORCE 算法）：我们不使用值函数，而直接优化策略。当动作空间是连续的或随机时，这很有效。该方法的主要问题是找到一个好的评分函数来计算策略的好坏程度。我们使用episode的总奖赏作为评分函数（每个Episode中获得的奖励之和）。

但这两种方法都有很大的缺点。这就是为什么今天我们将研究一种新型的强化学习方法，我们称之为“混合方法”: Actor Critic（AC）。我们将用到两个神经网络：

• 衡量所采取的行动的好坏的评价器（critic）（基于值函数）

• 控制智能体行为方式的行动者（actor）（基于策略）

掌握这种架构对于理解最先进的算法（如近端策略优化Proximal Policy Optimization，又名PPO）至关重要。PPO是基于Advantage Actor Critic（优势行动者评论家算法）。

本文中，你将通过Advantage Actor Critic（A2C）来实现一个可以学习如何玩刺猬索尼克的智能体！

寻找更好的学习模型

策略梯度存在的问题

策略梯度法有一个很大的问题是，当使用蒙特卡洛策略梯度方法时，会等到整个情景episode结束后计算奖励。据此可以得出结论，若结果回报值很高R(t)，整个情景中所做的行动都被是指定为是有利的（行动），即使有些行动非常糟糕。

正如我们在这个例子中所看到的，尽管A3 是一个不好的行动（会造成负奖励），总回报（total reward）的重要评分使得所有被执行过的行动的策略参数被平均。

因此，学习模型要获得最优策略，就需要大量样本。因此导致训练过程耗时，因为这需要花费大量的时间来收敛loss函数。那么，如果我们可以在每个时间步对参数进行更新，结果会有什么不同？

介绍Actor Critic （表演者-评论家）

表演者-评论家模型是一个更好的得分函数。我们不会像在蒙特卡洛这种传统强化学习方法那样，等到情景episode结束才更新参数，而是在每个步骤进行更新（即时序差分学习，TD学习）。

因为每个时间步都进行参数更新，所以不再使用总回报R(t)。我们还需要训练一个与值函数近似的评论家模型（记得，值函数是通过给定状态和动作计算的最大未来回报的期望值）。这个值函数被用来代替使用策略梯度时的奖励函数。

ctor Critic 是如何运行的

想一下，你和你的朋友一起玩视频游戏，你朋友一直回应你。你就是表演者，你朋友是评论家。

刚开始，你不会玩，所以你随机尝试一些行动。评论家（你朋友）将对你的行为的评价反馈给你。

通过在反馈中学习，你不断更新玩游戏的策略，并玩的越来越好了。

另一方面，你的朋友（评论家）也会更新他们提供反馈的方式，以便下次更好。

在我们看来，这个表演者-评论家的思想需要两个神经网络。我们给出两者表达式：

ACTOR：一个控制智能体行为的策略函数

CRITIC：一个衡量这些行为好坏程度的值函数

两个模型同时运行。

因为我们有两个模型（Actor和Critic）需要被训练，所以需要分别优化两组权重（用于行动的?和用于评论的w）

Actor Critic表演-评论过程

在每个时间步，我们从环境中获取当前状态（St）,并将其作为输入传到Actor表演者和Critic评论家两模型中。

我们的策略获得状态，输出一行动（At）,并再接收一个新状态（St+1）和奖励（Rt+1）。

多亏那样：

• 评论家模型计算当前状态下采用某行动的得分q

• 表演者模型使用这个q值更新自身的策略权重

因为这一步的参数更新，使得在新状态St+1到来时，Actor可以获取到对应的行动At+1,随后，Critic更新他的参数值。

A2C 和 A3C

介绍平稳地学习的优势函数Advantage function

在 深度Q学习的改进 这篇文章中我们了解，基于值函数的方法具有大的训练波动。

这里我们讨论了优势函数的使用，就是为了缓解这个问题。

优势函数定义如下：

该函数给出相比在当前状态下采用平均行动（动作值函数）的优势值。换句话说，如果我采取这个行动，该函数计算我这个行动得到的奖励。

（注：优势函数的目的是，使用动作值函数减去了对应状态拥有的基准值，使之变为动作带来的增益，从而因而降低因状态基准值的变化引起的方差）

如果 A(s,a) > 0: 梯度将朝梯度的那个方向更进一步。

如果 A(s,a)

实现这个优势函数的需要两个值函数– Q(s,a) 和 V(s) 。幸运的是，我们可以使用 差分时间序列误差TD Error 作为该优势函数的(无偏)估计。

（Q(s,a)是动作值函数，V(s)也就是在状态s下所有动作值函数动作概率的期望）

两种不同的策略：异步或同步

我们有两种不同的策略来实现Actor Critic智能体：

• A2C（又名优势演员评论家）

• A3C（又名异步优势演员评论家）

因此，我们使用与A2C，而不是A3C。如果您想看到完整的A3C实现，请查看 Arthur Juliani的优秀文章 A3C 和 Doom 实现。

在A3C中，我们不使用经验回放，因为这需要大量内存。不同的是，我们可以并行的在多个环境实例上异步执行不同的智能体。（可多核CPU跑）每个work（网络模型的副本）将异步地更新全局网络。

另一方面，A2C与A3C的唯一区别是A2C是同步更新全局网络。我们等到所有works完成训练后，计算他们的梯度的均值，以更新全局网络参数。

选择A2C还是A3C？

这篇很棒的文章解释了A3C存在的问题 。由于A3C的异步特性，一些works（智能体的副本）使用较旧版本的参数。因此，这样几个work聚合地更新参数不是最好的。

这就是为什么A2C在更新全局参数之前等待每个actor模型完成他们网络的各自部分的经验训练的原因。然后，我们重新开始一个使用各自部分经验的新训练，并且所有并行模型具有相同的新参数。

此架构思想受益于这篇文章

因此，训练过程将使得模型间更密切联系，并且训练更快速度。

实现一个玩刺猬索尼克的A2C智能体

实际情况中的A2C

实际上，正如 Reddit帖子中 所解释的那样 , 因为A2C的同步性，所有我们不需要 A2C 的不同版本（不同的work）。

A2C中的每个work都具有相同的权重集，与A3C不同的是，A2C同时更新所有work(的参数）。

实际上，我们创建了多种版本的环境（比如八个），然后将它们并行地执行。

该过程如下：

• 使用“multiprocessing”库创建一个具有n个环境的向量

• 创建一个对象“runner”，用来并行处理不同的环境

• 使用两种网络模型：

1. step_model: 从环境中产生经验样本

2. train_model: 训练经验样本

当 runner 迈出一步时（单步模型），将分别从n个环境中的每个环境执行一个步骤，并输出了一批经验样本。

然后使用 train_model 和在这一批经验样本上计算（所有work）梯度。

最后，使用计算得出的新权重更新单步模型。

请记住，这样一次计算所有梯度和每个 work 分别收集数据，并计算每个工人的梯度，然后求全局平均值是一样的。为什么？因为求导数的和（梯度的总和）与求和的导数相同。但求和的导数是使用GPU更好的方式（节省训练时间）。

刺猬索尼克的A2C

目前，我们了解了A2C一般的运行方式，我们可以开发这个玩索尼克的A2C智能体了！这个视频展示了我们的智能体训练10分钟（左）和训练10小时（右）的行为对比。

A2C Agent playing Sonic the Hedgehog ? (Left 1 update // Right 260)

实现代码在GitHub上能找到（here）, 代码的细节在notebook中给出了解释。我还给你一个在GPU上训练了10+小时的模型。

这个代码实现比以前的代码要复杂好多。我们要开始复现最先进的算法，因此需要代码的更高的效率。这也是为什么，我们将整个code分为不同对对象和文件来实现代码。

Understand A2C implementation playing Sonic the Hedgehog

就像这样！你刚刚创建了一个学习玩刺猬索尼克的智能体。 好棒！我们可以看到，在10小时的训练中,智能体还是不理解“looping”，所以我们需要使用更稳定的架构：PPO。

花点时间来想想我们从第一节课到现在取得的所有成就：从简单的文本游戏（OpenAI taxi-v2）到像毁灭战士、索尼克这些复杂的游戏，我们采用越来越复杂的模型结构。这真是极好的！

下次，我们会来了解近端策略梯度，这个结构赢得了 OpenAI 迁移学习竞赛，我们将训练智能体玩索尼克2和索尼克3的全部关卡。

不要忘了，亲自写写代码实现每个部分。试着添加epochs，改模型架构，调整学习率等等。尝试是最好的学习方式，玩的愉快~

想要继续查看该篇文章相关链接和参考文献？

长按链接点击打开或点击底部【深度强化学习从入门到大师：简单介绍A3C（第五部分）】：

【点击查看本系列文章】

深度强化学习从入门到大师：简介篇（第一部分）

深度强化学习从入门到大师：通过Q学习进行强化学习（第二部分）

深度强化学习从入门到大师：以Doom为例一文带你读懂深度Q学习（第三部分 – 上）

深度强化学习从入门到大师：进一步了解深度Q学习（第三部分 – 下)

深度强化学习从入门到大师：以 Cartpole 和 Doom 为例介绍策略梯度 （第四部分）

AI研习社每日更新精彩内容，观看更多精彩内容：雷锋网雷锋网雷锋网

7分钟了解Tensorflow.js

在Keras中理解和编程ResNet

初学者怎样使用Keras进行迁移学习

如果你想学数据科学，这 7 类资源千万不能错过

等你来译：

深度学习目标检测算法综述

一文教你如何用PyTorch构建 Faster RCNN

高级DQNs：利用深度强化学习玩吃豆人游戏

用于深度强化学习的结构化控制网络 （ICML 论文讲解）