想象你正在控制一个外科手术中的机器人手臂。可能涉及的离散动作有：……
- 上移，
- 下移，
- 抓， 或
- 松开，
这些指令简单明了，执行起来很容易，尤其是在简单的场景里。
但是，如果是完成精细的动作，比如：
- 将手臂移动0.5毫米以避免伤害组织，
- 施加3N的力量来压缩组织，
- 将手腕旋转15°来调整切口角度？
在这些情况下，仅仅选择一个动作是不够的，你需要决定需要多少那样的动作。这就是所谓的连续动作空间的世界，而这正是深度确定性策略梯度（DDPG）真正发挥作用的地方！
传统的深度Q网络（DQN）在处理离散动作时效果不错，但在处理连续动作时就显得吃力了。相比之下，确定性策略梯度（DPG）解决了这个问题，但仍存在探索不足及不稳定的问题。DDPG 首次在T P. Lillicrap等人的论文中被提出，结合了DPG和DQN的优点，提升了在连续动作空间环境中稳定性和表现。
在这篇文章里，我们将讨论DDPG的理论基础和架构，展示其在Python中的实现过程，通过在MountainCarContinuous游戏中测试其表现来评估其性能，并简要讨论DDPG如何在生物工程领域中被应用。
DDPG框架与DQN不同，DQN会评估每个可能的状态-动作对来找到最佳动作，DPG使用Actor-Critic架构。Actor学习直接将状态映射为动作的策略，避免了穷尽搜索，专注于为每个状态找到最佳动作。
不过，DPG遇到两个主要的难题：
- 这是一个确定性的算法，它会限制对动作空间的探索。
- 由于学习过程中的不稳定性问题，它无法有效地利用神经网络。
DDPG 通过引入奥恩斯坦-乌伦贝克过程产生的 探索噪声 来改进 DPG，并使用 批归一化 和 DQN 的一些技术（例如 回放缓冲区 和 目标网络）来稳定训练。
通过这些改进，DDPG非常适合于训练在连续的动作空间中的代理，例如在生物工程应用中的机器人控制。
接下来，让我们来研究DDPG模型的主要内容吧！
Actor-Critic框架
- 策略网络（Actor）：告诉代理在当前状态下应该采取什么行动。参数θμ表示权重。
小贴士！ 将行动者网络（Actor Network）视为做决定的人：它将当前状态对应到一个动作。
- 评判者（Q值网络）：通过估算该状态下行动的Q值来评估行动的价值。
提示！可以将Critic Network视为评判网络，它为每个动作给出一个质量评分，并帮助行为者改进策略，以确保它确实能找到在每个状态下最佳的动作。
注意！评论家会使用估计的Q值，来完成两件任务：
改进演员政策（政策更新）
演员的目标是调整其参数θμ，以便输出使得评估者的Q值最大化的行动。
为了做到这一点，Actor 需要明白所选动作 a 对 Critic 的 Q 值的影响，以及其内部参数如何影响其策略，这通过策略梯度方程实现。它代表了从 minibatch 中计算的所有梯度的平均值。
2. 通过最小化如下的损失函数来优化其自身的网络（Q值网络的更新）。
其中 N 表示小批量中采样的经验数量，$y_i$ 是如下计算出的目标 Q 值。
随着智能体探索环境，过去的经历（状态、行动、奖励和下一个状态）会被存储为元组（s, a, r, s′）在回放缓冲中。训练时，会随机抽取这些经历的一小批样本来训练智能体。
问题！ 回放缓冲区是如何真正减少不稳定性呢？
通过随机抽取经验，回放缓冲区减少了连续样本的相关性，减少了偏差性，从而使得训练更加稳定。
目标网络系统目标网络是Actor和Critic的缓慢地更新副本。它们提供了稳定的Q值参考，防止快速波动，并确保平稳和一致的更新。
问题 目标网络是如何实际减小不稳定性的？
没有Critic目标网络时，目标Q值直接从Critic Q值网络计算得出，后者持续更新。这导致每次目标Q值都会变化，产生一个“移动目标”问题。结果，Critic不断追赶一个不断变化的目标，导致训练不稳定。
另外，由于Actor（行为者）依赖于Critic（评判者）的反馈，一个网络中的错误会放大另一个网络中的错误，从而形成一个相互依存的不稳定性反馈循环。
通过引入目标网络并使用软更新规则逐步更新它们，我们使目标Q值保持更为稳定，减少突然变化，从而提高学习稳定性。
批量标准化批量归一化神经网络每一层的输入，使其均值接近零，方差接近一。
问题：批归一化到底是如何减少模型的不稳定性？
从回放缓冲区抽样的样本可能与实时数据的分布不一致，这可能导致网络更新过程中的不稳定。
批量归一化确保输入数据分布的一致性缩放，防止由于输入数据分布的变化而导致的波动更新。
探索噪音因为Actor的策略是固定的，所以在训练过程中向动作添加探索噪声，以鼓励代理尽可能探索动作范围。
在DDPG的论文中，作者使用了奥恩斯坦-乌伦贝克（Ornstein-Uhlenbeck）过程来生成与时间相关的噪声，以模仿现实世界的系统动态。
DDPG 伪代码：逐步解析
伪代码摘自http://arxiv.org/abs/1509.02971，（见文中参考文献1）
作者绘制的图
- 让我们定义行动者和评判者网络
class Actor(nn.Module):
"""
DDPG算法中的Actor网络。
"""
def __init__(self, state_dim, action_dim, max_action, use_batch_norm):
"""
初始化Actor策略网络。
:param state_dim: 状态空间的维度
:param action_dim: 动作空间的维度
:param max_action: 最大动作
:param use_batch_norm: 是否使用批归一化
"""
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):
"""
前向传播。
:param state: 输入状态
:return: 动作
"""
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):
"""
DDPG算法中的Critic网络。
"""
def __init__(self, state_dim, action_dim, use_batch_norm):
"""
初始化Critic价值网络。
:param state_dim: 状态空间的维度
:param action_dim: 动作空间的维度
:param use_batch_norm: 是否使用批归一化
"""
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):
"""
前向传播。
:param state: 输入状态
:param action: 输入动作
:return: 状态和动作对的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)- 定义回放缓
实现了 ReplayBuffer 类来存储和采样前一节中讨论的状态转换元组 (s, a, r, s’), 以实现小批量异策略学习。
class ReplayBuffer:
"""
重放缓冲区类，用于存储和采样经验数据。
"""
def __init__(self, capacity):
"""
初始化重放缓冲区，设置最大容量。
"""
self.buffer = deque(maxlen=capacity)
def push(self, state, action, reward, next_state, done):
"""
将状态、动作、奖励、下一个状态和完成标志添加到缓冲区。
"""
self.buffer.append((state, action, reward, next_state, done))
def sample(self, batch_size):
"""
从缓冲区中随机采样指定数量的数据。
"""
return random.sample(self.buffer, batch_size)
def __len__(self):
"""
返回缓冲区的长度。
"""
return len(self.buffer)- 定义OU噪声类
添加了 OUNoise 类来生成探索噪音，帮助智能体更有效地探索动作范围。
"""
摘自 https://github.com/vitchyr/rlkit/blob/master/rlkit/exploration_strategies/ou_strategy.py
"""
class OUNoise:
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):
# 重置噪声状态
self.state = np.ones(self.action_dim) * self.mu
def 更新状态(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 获取动作(self, action, t=0):
# 获取动作，随着时间的推移衰减噪声
ou_state = self.更新状态()
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)- 定义DDPG模型
定义了一个 DDPG 类，该类封装了代理的行为模式：
- 首先，让我们初始化一下，创建 Actor 和 Critic 网络，以及它们的目标网络（target网络）和重放缓存区。
class DDPG():
"""
深度确定性策略梯度（DDPG）智能体。
"""
def __init__(self, state_dim, action_dim, max_action, use_batch_norm):
"""
初始化DDPG。
:param state_dim: 状态空间的维数
:param action_dim: 动作空间的维数
:param max_action: 动作的最大幅度
"""
# [步骤0]
# 初始化Actor策略网络
self.actor = Actor(state_dim, action_dim, max_action, use_batch_norm)
# 初始化Actor目标网络，权重与Actor的策略网络一致
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Critic价值网络
self.critic = Critic(state_dim, action_dim, use_batch_norm)
# 初始化Critic目标网络，权重与Critic的价值网络一致
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)
# 初始化回放缓冲区
self.replay_buffer = ReplayBuffer(BUFFER_SIZE)- 选择动作：
select_action方法根据当前策略来选择动作。
def select_action(self, state):
"""
根据当前的状态选择一个动作。
:param state: 当前状态
:return: 返回动作
"""
state = torch.FloatTensor(state.reshape(1, -1))
action = self.actor(state).cpu().data.numpy().flatten()
return action- 3.
train方法说明了网络如何通过经验回放缓冲区来学习和更新。
注意! 由于论文中介绍了使用目标网络和批归一化来提高稳定性，我设计了 train 方法，使其可以让我们启用或禁用这些功能。这让我们可以在有或没有这些功能的情况下进行比较。请参阅下方代码以了解实现。
def train(self, use_target_network, use_batch_norm):
"""
训练DDPG智能体。
:param use_target_network: 是否使用目标网络
:param use_batch_norm: 是否使用批归一化
"""
if len(self.replay_buffer) < BATCH_SIZE:
return
# [步骤4]. 从重放缓冲区中采样一批数据，
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))
# 批评网络更新 #，
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))
# [步骤5]. 计算目标Q值 (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())
# [步骤6]. 使用梯度下降来更新批评网络的权重，以最小化损失函数，
self.critic_optimizer.zero_grad()
critic_loss.backward()
self.critic_optimizer.step()
# 行为网络更新 #，
actor_loss = -self.critic(state, self.actor(state)).mean()
# [步骤7]. 使用梯度下降来更新行为网络的权重，
# 以最小化损失函数并最大化Q值 => 选择可获得最高累积回报的动作，
self.actor_optimizer.zero_grad()
actor_loss.backward()
self.actor_optimizer.step()
# [步骤8]. 更新目标网络，
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)- 训练DDPG智能体。
将所有定义的类和方法一起结合起来，我们可以训练DDPG。我的train_dppg函数按照伪代码和DDPG模型结构图。
提示: 为了便于你理解，给每个代码部分标上了对应的步骤号。希望这能帮到你！哈！
def train_ddpg(use_target_network, use_batch_norm, num_episodes=NUM_EPISODES):
"""
训练DDPG代理程序。
:param use_target_network: 是否使用目标网络
:param use_batch_norm: 是否使用批处理标准化
:param num_episodes: 要训练的集数
:return: 集数奖励的列表
"""
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) # 添加噪声进行探索
next_state, reward, done,_ = env.step(action)
done = float(done) if isinstance(done, (bool, int)) else float(done[0]) # 如果done是bool或int类型，保持不变，否则转为浮点数
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"第 {episode + 1} 集：奖励 = {episode_reward}")
return agent, episode_rewardsDDPG在连续动作空间的有效性在MountainCarContinuous-v0环境中进行了测试，在该环境中，智能体学习如何通过获得动量来驾驶汽车爬上陡峭的山坡。结果表明，使用Target Networks和Batch Normalization可以实现更快的收敛速度，更高的回报，以及比其他配置更稳定的训练过程。
作者自己画的这张图
作者制作的 GIF
注意！ 您可以自己动手在任何选择的环境中运行我在我的 GitHub 仓库上提供的代码，只需更改环境名称即可！
生物工程中的DDPG：追求精确与适应能力通过这篇博客，我们了解到DDPG是一种在连续动作空间环境中训练代理的强大算法。通过结合DPG和DQN的技术手段，DDPG提高了探索、稳定性和性能——这些都是机器人手术和生物工程应用中的关键因素。
想象一个像 达芬奇系统 那样的机器人外科医生使用 DDPG 实时精细操作，确保没有误差的精确调整。机器人可以通过 DDPG 将手臂的位置调整到毫米级别，在缝合时施加精确力度，甚至进行微小手腕旋转以达到最佳切口效果。这种实时精准度能改变手术结果，缩短恢复时间，并减少人为错误。
但DDPG的潜力不仅限于外科手术。它已经在生物工程领域取得进展，使机器人假肢和辅助设备能够像人类四肢一样自然地运动（点击这里查看这篇非常有趣的文章!）。
现在我们已经介绍了 DDPG 的理论基础，是时候开始尝试实现它了。从简单的例子入手，慢慢尝试更复杂的场景。
参考资料- Lillicrap TP, Hunt JJ, Pritzel A, Heess N, Erez T, Tassa Y, 等. 基于深度强化学习的连续控制 [互联网]. arXiv; 2019 年. 可访问: http://arxiv.org/abs/1509.02971
随时随地看视频
