深度强化学习实战：A2C算法实现

---

A2C实现要点

A2C也是属于Policy算法族的，是在Policy Gradient的基础上拆分出两个网络Critic和Actor。代码实现有如下要点：

网络

• actor网络：输入state，输出动作的概率分布，从中选择动作后作为critic网络的输入
• critic网络：输入state和action预估下一个state的q-value

损失函数

• actor网络：在Policy Gradient损失函数的Q-value值上减一个Baseline使得反馈有正有负，减少网络的波动。
• critic网络：用于预估state的Q-value, loss为"真实值"和预估值的误差，而"真实值"是用Bellman方程求得，即Q(s) = r + gamma*Q(s’)，和DQN的实现相似

---

算法实现

构建网络

actor和critic网络的输入都有state，只是输出不同所以可以放入同一个主体网络中训练共享信息和参数，但各自的输出层不同。网络代码如下：

# 构建model，model的主体一致，但输出层不同，会同时输出policy和Q-value
class A2CModel(nn.Module):
    def __init__(self, input_shape, n_actions):
        super().__init__()

        self.conv = nn.Sequential(
            nn.Conv2d(input_shape[0], 32, kernel_size=8, stride=4),
            nn.ReLU(),
            nn.Conv2d(32, 64, kernel_size=4, stride=2),
            nn.ReLU(),
            nn.Conv2d(64, 64, kernel_size=3, stride=1),
            nn.ReLU()
        )

        conv_out_size = self._get_conv_out(input_shape)
        # 用于输出策略(动作的概率分布)
        self.policy = nn.Sequential(
            nn.Linear(conv_out_size, 512),
            nn.ReLU(),
            nn.Linear(512, n_actions)
        )
        # 输出预估的value
        self.value = nn.Sequential(
            nn.Linear(conv_out_size, 512),
            nn.ReLU(),
            nn.Linear(512, 1)
        )

    def _get_conv_out(self, shape):
        o = self.conv(torch.zeros(1, *shape))
        return int(np.prod(o.size()))

    def forward(self, x):
        fx = x.float() / 256
        conv_out = self.conv(fx).view(fx.size()[0], -1)
        return self.policy(conv_out), self.value(conv_out)

构建environment和agent

（在构建agent以及后续的experience source时用到了高级包PTAN, 详情请参见深度强化学习高级包PTAN-1. Agent, Experience
）

• 为了加速训练进程可以多个环境并行运行
• 使用PolicyAgent

NUM_ENVS = 70

make_env = lambda: ptan.comm