譯者 | 朱先忠
審校 | 重樓
引言
想象一下，你正在手術(shù)過程中控制著一臺機(jī)械臂。此機(jī)械臂的離散動作可能有：
- 向上移動
- 向下移動
- 抓取
或
- 釋放
這些都是明確、直接的命令，在簡單情況下是易于執(zhí)行的。但是，如果執(zhí)行精細(xì)的動作，例如：
- 將手臂移動0.5毫米以避免損傷組織
- 施加3N的力以壓縮組織
或
- 旋轉(zhuǎn)手腕15°以調(diào)整切口角度
該怎么辦呢？
在這些情況下，你需要的不僅僅是選擇一個動作——你必須決定需要多少動作。這是連續(xù)動作空間的世界，也是深度確定性策略梯度（DDPG）算法大放異彩的地方！
像深度Q網(wǎng)絡(luò)（DQN）這樣的傳統(tǒng)方法在離散動作方面效果很好，但在連續(xù)動作方面卻舉步維艱。另一方面，確定性策略梯度（DPG）算法解決了這個問題，但面臨著探索性差和不穩(wěn)定的挑戰(zhàn)。DDPG算法最早是在TP.Lillicrap等人的論文中提出的，它結(jié)合了DPG算法和DQN算法的優(yōu)勢，以提高連續(xù)動作空間環(huán)境中的穩(wěn)定性和性能。
在本文中，我們將討論DDPG算法背后的理論和架構(gòu)，研究它在Python上的實現(xiàn)，評估其性能（通過在MountainCarContinuous游戲上進(jìn)行測試），并簡要討論如何在生物工程領(lǐng)域使用DDPG算法。
DDPG算法架構(gòu)
與評估每個可能的“狀態(tài)-動作”對以找到最佳動作（由于組合無限，在連續(xù)空間中不可能）的DQN算法不同，DPG算法使用的是“演員-評論家（Actor-Critic）”架構(gòu)。演員學(xué)習(xí)一種將狀態(tài)直接映射到動作的策略，避免詳盡的搜索并專注于學(xué)習(xí)每個狀態(tài)的最佳動作。
但是，DPG算法面臨兩個主要挑戰(zhàn)：
- 它是一種確定性算法，限制了對動作空間的探索。
- 由于學(xué)習(xí)過程不穩(wěn)定，它無法有效地使用神經(jīng)網(wǎng)絡(luò)。
DDPG算法通過Ornstein-Uhlenbeck過程引入探索噪聲，并使用批量歸一化和DQN技術(shù)（如重放緩沖區(qū)和目標(biāo)網(wǎng)絡(luò)）穩(wěn)定訓(xùn)練，從而改進(jìn)了DPG算法。
借助這些增強(qiáng)功能，DDPG算法非常適合在連續(xù)動作空間中訓(xùn)練AI代理，例如在生物工程應(yīng)用中控制機(jī)器人系統(tǒng)。
接下來，讓我們深入探索DDPG模型的關(guān)鍵組成！
演員-評論家（Actor-Critic）框架
- 演員（策略網(wǎng)絡(luò)）：根據(jù)代理所處的狀態(tài)告訴代理要采取哪種操作。網(wǎng)絡(luò)的參數(shù)（即權(quán)重）用θμ表示。
【提示】將演員網(wǎng)絡(luò)視為決策者：它將當(dāng)前狀態(tài)映射到單個動作。
- 評論家（Q值網(wǎng)絡(luò)）：通過估計該狀態(tài)-動作對的Q值來評估演員采取的行動有多好。
提示！將CriticNetwork視為評估者，它為每個動作分配一個質(zhì)量分?jǐn)?shù)，并幫助改進(jìn)演員的策略，以確保它確實在每個給定狀態(tài)下生成最佳動作。
注意！評論家將使用估計的Q值做兩件事：
1. 改進(jìn)演員的策略（演員策略更新）。
演員的目標(biāo)是調(diào)整其參數(shù)(θμ)，以便輸出最大化評論家的Q值的動作。
為此，演員需要了解所選動作a如何影響評論家的Q值，以及其內(nèi)部參數(shù)如何影響其策略，這通過此策略梯度方程完成（它是從小批量計算出的所有梯度的平均值）：
2. 通過最小化下面的損失函數(shù)來改進(jìn)其自己的網(wǎng)絡(luò)（評論家Q值網(wǎng)絡(luò)更新）。
其中，N是在小批量中采樣的經(jīng)驗數(shù)，y_i是按如下方式計算的目標(biāo)Q值。
重放緩沖區(qū)
當(dāng)代理探索環(huán)境時，過去的經(jīng)驗（狀態(tài)、動作、獎勵、下一個狀態(tài)）會作為元組（s，a，r，s′）存儲在重放緩沖區(qū)中。在訓(xùn)練期間，會隨機(jī)抽取由其中一些經(jīng)驗組成的小批量來訓(xùn)練代理。
問題！重放緩沖區(qū)實際上如何減少不穩(wěn)定性？
通過隨機(jī)抽取經(jīng)驗，重放緩沖區(qū)打破了連續(xù)樣本之間的相關(guān)性，減少了偏差并帶來了更穩(wěn)定的訓(xùn)練。
目標(biāo)網(wǎng)絡(luò)
目標(biāo)網(wǎng)絡(luò)是演員和評論家的緩慢更新副本。它們提供穩(wěn)定的Q值目標(biāo)，防止快速變化并確保平穩(wěn)、一致的更新。
【問題】目標(biāo)網(wǎng)絡(luò)實際上如何減少不穩(wěn)定性？
如果沒有評論家目標(biāo)網(wǎng)絡(luò)，則目標(biāo)Q值直接從評論家Q值網(wǎng)絡(luò)計算，該網(wǎng)絡(luò)會不斷更新。這會導(dǎo)致目標(biāo)Q值在每一步都發(fā)生變化，從而產(chǎn)生“移動目標(biāo)”問題。因此，評論家最終會追逐不斷變化的目標(biāo)，導(dǎo)致訓(xùn)練不穩(wěn)定。
此外，由于演員依賴于評論家的反饋，因此一個網(wǎng)絡(luò)中的錯誤會放大另一個網(wǎng)絡(luò)中的錯誤，從而形成相互依賴的不穩(wěn)定循環(huán)。
通過引入使用軟更新規(guī)則逐步更新的目標(biāo)網(wǎng)絡(luò)，我們確保目標(biāo)Q值保持更一致，從而減少突然變化并提高學(xué)習(xí)穩(wěn)定性。
批量歸一化
批量歸一化將輸入歸一化到神經(jīng)網(wǎng)絡(luò)的每一層，確保平均值為零且方差為1個單位。
【問題】批量歸一化實際上如何減少不穩(wěn)定性？
從重放緩沖區(qū)中提取的樣本可能具有與實時數(shù)據(jù)不同的分布，從而導(dǎo)致網(wǎng)絡(luò)更新期間不穩(wěn)定。
批量歸一化確保輸入的一致縮放，以防止由輸入分布變化引起的不穩(wěn)定更新。
探索噪聲
由于演員的策略是確定性的，因此在訓(xùn)練期間將探索噪聲添加到動作中，以鼓勵代理探索盡可能多的動作空間。
在DDPG論文中，作者使用Ornstein-Uhlenbeck過程生成時間相關(guān)噪聲，以模擬現(xiàn)實世界的系統(tǒng)動態(tài)。
DDPG算法偽代碼：分步分解
此偽代碼取自http://arxiv.org/abs/1509.02971（參見“參考文獻(xiàn)1”）。
- 定義演員和評論家網(wǎng)絡(luò)：
class Actor(nn.Module):
"""
針對DDPG算法的演員網(wǎng)絡(luò)。
"""
def __init__(self, state_dim, action_dim, max_action,use_batch_norm):
"""
初始化演員的策略網(wǎng)絡(luò)
:參數(shù)state_dim: 狀態(tài)空間的維度
:參數(shù)action_dim: 動作空間的維度
:參數(shù)max_action: 動作的最大值
"""
super(Actor, self).__init__()
self.bn1 = nn.LayerNorm(HIDDEN_LAYERS_ACTOR) if use_batch_norm else nn.Identity()
self.bn2 = nn.LayerNorm(HIDDEN_LAYERS_ACTOR) if use_batch_norm else nn.Identity()
self.l1 = nn.Linear(state_dim, HIDDEN_LAYERS_ACTOR)
self.l2 = nn.Linear(HIDDEN_LAYERS_ACTOR, HIDDEN_LAYERS_ACTOR)
self.l3 = nn.Linear(HIDDEN_LAYERS_ACTOR, action_dim)
self.max_action = max_action
def forward(self, state):
"""
通過網(wǎng)絡(luò)正向傳播。
:參數(shù)state: 輸入狀態(tài)
:返回值: 動作
"""
a = torch.relu(self.bn1(self.l1(state)))
a = torch.relu(self.bn2(self.l2(a)))
return self.max_action * torch.tanh(self.l3(a))
class Critic(nn.Module):
"""
針對DDPG算法的評論家網(wǎng)絡(luò)。
"""
def __init__(self, state_dim, action_dim,use_batch_norm):
"""
初始化評論家的值網(wǎng)絡(luò)。
:參數(shù)state_dim: 狀態(tài)空間的維度
:參數(shù)action_dim: 動作空間的維度
"""
super(Critic, self).__init__()
self.bn1 = nn.BatchNorm1d(HIDDEN_LAYERS_CRITIC) if use_batch_norm else nn.Identity()
self.bn2 = nn.BatchNorm1d(HIDDEN_LAYERS_CRITIC) if use_batch_norm else nn.Identity()
self.l1 = nn.Linear(state_dim + action_dim, HIDDEN_LAYERS_CRITIC)
self.l2 = nn.Linear(HIDDEN_LAYERS_CRITIC, HIDDEN_LAYERS_CRITIC)
self.l3 = nn.Linear(HIDDEN_LAYERS_CRITIC, 1)
def forward(self, state, action):
"""
通過網(wǎng)絡(luò)的正向傳播。
:參數(shù)state:輸入狀態(tài)
:參數(shù)action: 輸入動作
:返回值: “狀態(tài)-動作”對的Q-值
"""
q = torch.relu(self.bn1(self.l1(torch.cat([state, action], 1))))
q = torch.relu(self.bn2(self.l2(q)))
return self.l3(q)- 定義重放緩沖區(qū)
實現(xiàn)ReplayBuffer類來存儲和采樣上一節(jié)中討論的轉(zhuǎn)換元組（s，a，r，s’），以實現(xiàn)小批量離策略學(xué)習(xí)。
class ReplayBuffer:
def __init__(self, capacity):
self.buffer = deque(maxlen=capacity)
def push(self, state, action, reward, next_state, done):
self.buffer.append((state, action, reward, next_state, done))
def sample(self, batch_size):
return random.sample(self.buffer, batch_size)
def __len__(self):
return len(self.buffer)- 定義OU噪聲類
添加OUNoise類來生成探索噪聲，幫助代理更有效地探索動作空間。
"""
節(jié)選自https://github.com/vitchyr/rlkit/blob/master/rlkit/exploration_strategies/ou_strategy.py
"""
class OUNoise(object):
def __init__(self, action_space, mu=0.0, theta=0.15, max_sigma=0.3, min_sigma=0.3, decay_period=100000):
self.mu = mu
self.theta = theta
self.sigma = max_sigma
self.max_sigma = max_sigma
self.min_sigma = min_sigma
self.decay_period = decay_period
self.action_dim = action_space.shape[0]
self.low = action_space.low
self.high = action_space.high
self.reset()
def reset(self):
self.state = np.ones(self.action_dim) * self.mu
def evolve_state(self):
x = self.state
dx = self.theta * (self.mu - x) + self.sigma * np.random.randn(self.action_dim)
self.state = x + dx
return self.state
def get_action(self, action, t=0):
ou_state = self.evolve_state()
self.sigma = self.max_sigma - (self.max_sigma - self.min_sigma) * min(1.0, t / self.decay_period)
return np.clip(action + ou_state, self.low, self.high)- 定義DDPG代理
定義了一個DDPG類，它負(fù)責(zé)封裝代理的行為：
初始化：創(chuàng)建演員和評論家網(wǎng)絡(luò)，以及它們的目標(biāo)對應(yīng)方和重放緩沖區(qū)。
class DDPG():
"""
深度確定性策略梯度（DDPG）代理。
"""
def __init__(self, state_dim, action_dim, max_action,use_batch_norm):
"""
初始化DDPG算法代理。
:參數(shù)state_dim: 狀態(tài)空間的維度
:參數(shù)action_dim: 動作空間的維度
:參數(shù)max_action: 動作的最大值
"""
# [第0步]
#初始化演員的策略網(wǎng)絡(luò)
self.actor = Actor(state_dim, action_dim, max_action,use_batch_norm)
# 使用與演員的策略網(wǎng)絡(luò)相同的權(quán)重初始化演員目標(biāo)網(wǎng)絡(luò)
self.actor_target = Actor(state_dim, action_dim, max_action,use_batch_norm)
self.actor_target.load_state_dict(self.actor.state_dict())
self.actor_optimizer = optim.Adam(self.actor.parameters(), lr=ACTOR_LR)
#初始化評論家的值網(wǎng)絡(luò)
self.critic = Critic(state_dim, action_dim,use_batch_norm)
#使用與評論家的值網(wǎng)絡(luò)相同的權(quán)重初始化評論家的目標(biāo)網(wǎng)絡(luò)
self.critic_target = Critic(state_dim, action_dim,use_batch_norm)
self.critic_target.load_state_dict(self.critic.state_dict())
self.critic_optimizer = optim.Adam(self.critic.parameters(), lr=CRITIC_LR)
#初始化重放緩沖區(qū)
self.replay_buffer = ReplayBuffer(BUFFER_SIZE)動作選擇：select_action方法根據(jù)當(dāng)前策略選擇動作。
def select_action(self, state):
"""
根據(jù)當(dāng)前狀態(tài)選擇一個動作。
:參數(shù)state：當(dāng)前狀態(tài)
:返回值：選擇的動作
"""
state = torch.FloatTensor(state.reshape(1, -1))
action = self.actor(state).cpu().data.numpy().flatten()
return action訓(xùn)練：訓(xùn)練方法定義了如何使用重放緩沖區(qū)中的經(jīng)驗來更新網(wǎng)絡(luò)。
注意：由于本文介紹了使用目標(biāo)網(wǎng)絡(luò)和批量歸一化來提高穩(wěn)定性，因此我設(shè)計了訓(xùn)練方法，允許我們打開或關(guān)閉這些方法。這讓我們可以比較代理在使用和不使用它們的情況下的性能。請參閱下面的代碼以了解詳細(xì)的實現(xiàn)。
def train(self, use_target_network,use_batch_norm):
"""
訓(xùn)練DDPG代理
:參數(shù)use_target_network: 是否使用目標(biāo)網(wǎng)絡(luò)
:參數(shù)use_batch_norm: 是否使用批量歸一化
"""
if len(self.replay_buffer) < BATCH_SIZE:
return
# [第4步]. 從重放緩沖區(qū)中抽取一批樣本
batch = self.replay_buffer.sample(BATCH_SIZE)
state, action, reward, next_state, done = map(np.stack, zip(*batch))
state = torch.FloatTensor(state)
action = torch.FloatTensor(action)
next_state = torch.FloatTensor(next_state)
reward = torch.FloatTensor(reward.reshape(-1, 1))
done = torch.FloatTensor(done.reshape(-1, 1))
#評論家網(wǎng)絡(luò)更新#
if use_target_network:
target_Q = self.critic_target(next_state, self.actor_target(next_state))
else:
target_Q = self.critic(next_state, self.actor(next_state))
# [第5步]. 計算目標(biāo)Q-value (y_i)
target_Q = reward + (1 - done) * GAMMA * target_Q
current_Q = self.critic(state, action)
critic_loss = nn.MSELoss()(current_Q, target_Q.detach())
# [第6步]. 使用梯度下降來更新評論家網(wǎng)絡(luò)的權(quán)重
#以最小化損失函數(shù)
self.critic_optimizer.zero_grad()
critic_loss.backward()
self.critic_optimizer.step()
#更新演員網(wǎng)絡(luò)#
actor_loss = -self.critic(state, self.actor(state)).mean()
# [第7步]. 使用梯度下降來更新演員網(wǎng)絡(luò)的權(quán)重
#以最小化損失函數(shù)和最大化Q-value => 選擇產(chǎn)生最高累積獎勵的動作
self.actor_optimizer.zero_grad()
actor_loss.backward()
self.actor_optimizer.step()
# [第8步]. 更新目標(biāo)網(wǎng)絡(luò)
if use_target_network:
for param, target_param in zip(self.critic.parameters(), self.critic_target.parameters()):
target_param.data.copy_(TAU * param.data + (1 - TAU) * target_param.data)
for param, target_param in zip(self.actor.parameters(), self.actor_target.parameters()):
target_param.data.copy_(TAU * param.data + (1 - TAU) * target_param.data)- 訓(xùn)練DDPG代理
將所有定義的類和方法整合在一起，我們就可以訓(xùn)練DDPG代理。我的train_dppg函數(shù)遵循偽代碼和DDPG模型圖結(jié)構(gòu)。
提示：為了讓你更容易理解，我已將每個代碼部分標(biāo)記為偽代碼和圖表中相應(yīng)的步驟編號。希望對你有所幫助！
def train_ddpg(use_target_network, use_batch_norm, num_episodes=NUM_EPISODES):
"""
訓(xùn)練DDPG代理
:參數(shù)use_target_network: 是否使用目標(biāo)網(wǎng)絡(luò)
:參數(shù)use_batch_norm: 是否使用批量歸一化
:參數(shù)num_episodes: 需要訓(xùn)練的回合數(shù)
:返回值: 回合獎勵列表
"""
agent = DDPG(state_dim, action_dim, 1,use_batch_norm)
episode_rewards = []
noise = OUNoise(env.action_space)
for episode in range(num_episodes):
state= env.reset()
noise.reset()
episode_reward = 0
done = False
step=0
while not done:
action_actor = agent.select_action(state)
action = noise.get_action(action_actor,step) # Add noise for exploration
next_state, reward, done,_= env.step(action)
done = float(done) if isinstance(done, (bool, int)) else float(done[0])
agent.replay_buffer.push(state, action, reward, next_state, done)
if len(agent.replay_buffer) > BATCH_SIZE:
agent.train(use_target_network,use_batch_norm)
state = next_state
episode_reward += reward
step+=1
episode_rewards.append(episode_reward)
if (episode + 1) % 10 == 0:
print(f"Episode {episode + 1}: Reward = {episode_reward}")
return agent, episode_rewards性能和結(jié)果：DDPG算法有效性評估
至此，我們已經(jīng)在MountainCarContinuous-v0環(huán)境中測試了DDPG算法在連續(xù)動作空間中的有效性。在該環(huán)境中，代理學(xué)會了如何獲得動力以將汽車開上陡峭的山坡。結(jié)果表明，與其他配置相比，使用目標(biāo)網(wǎng)絡(luò)和批量歸一化可以實現(xiàn)更快的收斂、更高的獎勵和更穩(wěn)定的學(xué)習(xí)。
作者本人生成的圖表
作者本人生成的GIF動畫
注意：你可以通過運行從我的GitHub代碼倉庫下載的代碼并根據(jù)需要更改環(huán)境名稱，然后在你選擇的任何環(huán)境中自行實現(xiàn)此功能！
生物工程領(lǐng)域的DDPG算法：高精度和適應(yīng)性
通過本文的介紹，我們已經(jīng)看到DDPG是一種強(qiáng)大的算法，可用于在具有連續(xù)動作空間的環(huán)境中訓(xùn)練代理。通過結(jié)合DPG算法和DQN算法的技術(shù)，DDPG算法可以提高探索、穩(wěn)定性和性能——這正是機(jī)器人手術(shù)和生物工程應(yīng)用的關(guān)鍵因素。
想象一下，像達(dá)芬奇系統(tǒng)（da Vinci system）這樣的機(jī)器人外科醫(yī)生使用DDPG實時控制精細(xì)動作，確保精確調(diào)整而不會出現(xiàn)任何錯誤。借助DDPG算法，機(jī)器人可以以毫米為單位調(diào)整手臂的位置，在縫合時施加精確的力，甚至可以輕微旋轉(zhuǎn)手腕以獲得最佳切口。這種實時精度可以改變手術(shù)結(jié)果，縮短恢復(fù)時間，并最大限度地減少人為錯誤。
但DDPG算法的潛力不僅限于醫(yī)學(xué)手術(shù)領(lǐng)域。它已經(jīng)推動了生物工程的發(fā)展，使機(jī)器人假肢和輔助設(shè)備能夠復(fù)制人類肢體的自然運動（有興趣的讀者可以查看這篇有趣的文章：https://www.tandfonline.com/doi/abs/10.1080/00207179.2023.2201644）。
現(xiàn)在，我們已經(jīng)介紹了DDPG算法背后的理論，是時候由你來探索它的實際應(yīng)用了。你可以從簡單的例子開始，逐漸深入到更復(fù)雜的實戰(zhàn)場景！
參考文獻(xiàn)
- Lillicrap TP、Hunt JJ、Pritzel A、Heess N、Erez T、Tassa Y等人。使用深度強(qiáng)化學(xué)習(xí)的連續(xù)控制（Continuous control with deep reinforcement learning [Internet]）。arXiv；2019年。出處：http://arxiv.org/abs/1509.02971
譯者介紹
朱先忠，51CTO社區(qū)編輯，51CTO專家博客、講師，濰坊一所高校計算機(jī)教師，自由編程界老兵一枚。
原文標(biāo)題：Understanding DDPG: The Algorithm That Solves Continuous Action Control Challenges，作者：Sirine Bhouri
