李宏毅机器学习系列-强化学习之Actor-Critic_李宏毅强化学习累计

回顾策略梯度

回顾下我们前面讲的基于策略的梯度是怎么样的，中间会有一项是优势函数，从看到s时采取a的时刻开始到游戏结束的累计奖励$G_t^n$，但是因为游戏的奖励可能是随机的，所以这个值通常是不稳定的，所以可以看成一个随机变量：

既然是随机变量，我们又不能采样到足够的样本，如果采样到不好的结果，那训练的效果也会不好，那我们只能想办法去估计他的期望了，那怎么拿这个期望值去代替采样的值呢，就要用到基于价值的方法：

回顾Q-Learning

我们两种价值函数，一种是$V^{\pi }(s)$，表示在某个s状态下，用actor $\pi$去跟环境做互动，直到游戏结束的累计奖励的期望。另一种是$Q^{\pi }(s，a)$，表示在某个s状态下，强制采取行为a之后，用actor $\pi$去跟环境做互动，一直到游戏结束的累计奖励的期望。做的时候可以用TD或者MC，TD比较稳，MC比较精确：

Actor-Critic

其实我们的G的期望，就是Q函数，我们的b也就是基线，可以用$V^{\pi }(s_t^n)$，其实这个就是均值，这样的话，红色的这两项我们就可以替换了：

然后我们就需要估计这个了，但是这个是两个网络，就会出现估计不准的风险，而且是两倍的，所以我们能不能改成一个呢：

我们的Q可以写成这样，也就是Q的定义，因为奖励可能是随机的，所以取期望：

然后我们可以把期望给去掉，为什么要去掉呢，貌似是这样做效果比较好，或许是单个奖励的随机性也不影响累计的奖励：

然后代入得：

这样只要估计一个网络就行了，但是引入了奖励的随机变量，但是这个奖励的方差不会很大，比以前的累计的奖励的方差要小。

所以这个训练的过程就变这样了，只是把刚才的式子代进去：

Actor-Critic小贴士

我们要训练两个网络，一个是actor采取动作的，一个是critic，评判V的，我们可以共享前面几层的参数，因为前面几层基本都是游戏画面，用CNN提取特征的操作可以是一样的。另外，我们要给actor的输出加一个限制，希望他的熵大一点，这样输出行为分布可以平均点，也就是每个行为都可能被采用，也就是探索机制：

Asynchronous Advantage Actor-Critic (A3C)

其实就是分布式并行训练的思想，因为单个可能训练比较慢，看过火影的都知道，鸣人可以用影分身来进行加速训练：

具体就是这么个结构，开始每台机器可以用同一个参数，然后每台机器都采集样本，计算梯度，然后去更新全局的参数，因为是并行的，所以只要把梯度上传就行，不用管现在的参数是什么，只管上传梯度即可：

Pathwise Derivative Policy Gradient

这个新方法可以解决连续行为的问题，而且他不仅可以知道行为好不好，还能告诉你怎么样的是好的行为，我们可以用训练一个actor来接maxQ的问题，就好像是GAN里面的判别器，用来判别好不好：

我们实际做的时候是训练一个actor网路和Q网络连接起来，我们希望actor生成的a输入Q，使得Q越大越好，训练的时候我们会先固定住Q，然后训练actor，跟GAN训练的步骤类似：

他的算法过程图就是这样，在Q-Learning里面的技巧都可以用上：

然后看看具体的算法细节，这个是我们Q-Learning的算法：

我们经过改良后的：

主要是四点：
1.本来我们采取的a是基于Q的，现在因为有了actor $\pi$，所以改成基于$\pi$。
2.本来我们是max的问题，改成$\pi$来解决，但是我们在训练$\pi$的时候，也需要有固定的目标网络${\pi }^{\prime }$，所以也就是可以用${\pi }^{\prime }$生成a来解决，所以改了。
3.我们的目标是让$\pi$生成的a使得Q最大。
4.我们也要训练多步之后把目标的网络的参数改成训练的。

总结

本篇主要介绍强化学习的actor-critic的方法，结合了前面我们所学的梯度策略和累计奖励期望，介绍了A2C,A3C，还介绍了一种新方法的解决连续行为的Q函数最大问题。

好了，今天就到这里了，希望对学习理解有帮助，大神看见勿喷，仅为自己的学习理解，能力有限，请多包涵，图片来自李宏毅课件，侵删。