![3901436-2227e3ccb5f9418e](https://i-blog.csdnimg.cn/blog_migrate/6628ae439e9c4f35c2d14ec50b073c17.webp?x-image-process=image/format,png)
作者:石塔西 爱好机器学习算法,以及军事和历史
知乎ID:https://www.zhihu.com/people/si-ta-xi
前言
之前通过线上课程学习David Silver的《强化学习》,留下深刻印象的是其中一堆堆的公式。公式虽然严谨,但是对于我来说,遇到实际问题时,我需要在脑海中浮现出一幅图或一条曲线,帮我快速定位问题。正所谓“一图胜千言”嘛。
最近终于找到了这样一幅图。国外有大神用漫画的形式讲解了强化学习中经典的Advantage-Actor-Critic(A2C)算法。尽管标题中只提及了A2C,实际上是将整个RL的算法思想凝结在区区几幅漫画中。
我很佩服漫画的作者,能够从复杂的公式中提炼出算法的精髓,然后用通俗易懂、深入浅出的方式展示出来。能够将厚书读薄,才能显现出一个人的功力。
有这样NB的神作,不敢独吞,调节一下顺序,补充一些背景知识,加上我自己的批注,分享出来,以飨读者。 原漫画的地址见:Intuitive RL: Intro to Advantage-Actor-Critic (A2C)(点击阅读原文,科学上网查看原文),英语好的同学可以科学上网看原版的。
基本概念
强化学习中最基础的四个概念:Agent, State, Action, Reward
![3901436-7cb5af4c8b0c330b](https://i-blog.csdnimg.cn/blog_migrate/fd1050f40214dace40bdf844efec2e26.webp?x-image-process=image/format,png)
Agent:不用多说,就是你的程序,在这里就是这只狐狸。
Action: agent需要做的动作。在漫画中,就是狐狸在岔路口时,需要决定走其中的哪一条路。
State: 就是agent在决策时所能够掌握的所有信息。对于这只狐狸来说,既包括了决策当时的所见所闻,也包括了它一路走来的记忆。
Reward:选择不同的路,可能遇到鸟蛋(正向收益),也有可能遇到豺狼(负向收益)。
为什么Actor? 为什么Critic?
正如我之前所说的,Actor-Critic是一个混合算法,结合了Policy Gradient(Actor)与Value Function Approximation (Critic)两大类算法的优点。原漫画没有交待,一个agent为什么需要actor与critic两种决策机制。所以,在让狐狸继续探险之前,有必要先简单介绍一下Policy Gradient (策略梯度,简称PG)算法,后面的内容才好理解。
Policy Gradient看起来很高大上,但是如果类比有监督学习中的多分类算法,就很好理解了。两类算法的类比(简化版本)如下表所示,可见两者很相似
![3901436-bfc078c9418a094e](https://i-blog.csdnimg.cn/blog_migrate/b44f77cf1da9a1d633f47e25b1e0fdf4.webp?x-image-process=image/format,png)
还是以狐狸在三岔路口的选择为例
N就是样本个数
-
-
-
![3901436-4091072597ab48c0](https://i-blog.csdnimg.cn/blog_migrate/29267258b6ee450f856946f22a38f63c.webp?x-image-process=image/format,png)
![3901436-ab31a4091de6ddd2](https://i-blog.csdnimg.cn/blog_migrate/654d06f3b5aeccf3300ede4ceb9558a9.webp?x-image-process=image/format,png)
以上公式表明:
-
-
基于“真实有效的决策,在成功实验出现的次数,比在失败实验出现的次数,要多”这样的假设,以上方法还是能够学到东西的。
![3901436-9810522777be4d9d](https://i-blog.csdnimg.cn/blog_migrate/822070b12c51c3110f9eeb2f3316c787.webp?x-image-process=image/format,png)
比如考虑每步决策的直接收益的时间衰减,就是REINFORCE算法。
如果用V(S),即“状态值”state-value,来表示PG前的系数,并用一个模型来专门学习它,则这个拟合真实(不是最优)V(s)的模型就叫做Critic,而整个算法就是Actor-Critic算法。
因为篇幅所限,简单介绍一下V(s)与Q(s,a)。它们是Value Function Approximation算法中两个重要概念,著名的Deep Q-Network中的Q就来源于Q(s,a)。V(s)表示从状态s走下去能够得到的平均收益。它类似于咱们常说的“势”,如果一个人处于“优势”,无论他接下去怎么走(无论接下去执行怎样的action),哪怕走一两个昏招,也有可能获胜。具体精确的理解,还请感兴趣的同学移步David Silver的课吧。
重新回顾一下算法的脉络,所谓Actor-Critic算法
Actor负责学习在给定state下给各候选action打分。在action空间离散的情况下,就类似于多分类学习。
因为与多分类监督学习不同,每步决策时,不存在唯一正确的action,所以PG前面应该乘以一个系数,即likelihood ratio。如果用V(S),即state-value,来表示PG前的乘子,并用一个模型来专门学习它,则这个拟合V(s)的模型就叫做Critic,类似一个回归模型 。
如果用Critic预测值与真实值之间的误差,作为likelihood ratio,则PG前的乘子就有一个专门的名称,Advantage。这时的算法,就叫做Advantage-Actor-Critic,即A2C。
如果在学习过程中,引入异步、分布式学习,此时的算法叫做Asynchronous-Advantage-Actor-Critic,即著名的A3C。
狐狸的探险
上一节已经说明了狐狸(Agent)为什么需要actor-critic两个决策系统。则狐狸的决策系统可以由下图表示
![3901436-109a299082afedb8](https://i-blog.csdnimg.cn/blog_migrate/0a11853116cc12eb89be8bdb0059bc6f.webp?x-image-process=image/format,png)
state是狐狸做决策时所拥有的一切信息,包括它的所见所闻,还有它的记忆。
critic负责学习到准确的V(s),负责评估当前状态的“态势”,类似一个回归任务。
actor负责学习某状态下各候选action的概率,类似一个多分类任务。
![3901436-30280763e872e9d1](https://i-blog.csdnimg.cn/blog_migrate/282d35873792130aead13e780b119ea9.webp?x-image-process=image/format,png)
在第一个路口
狐狸的critic觉得当前态势不错,预计从此走下去,今天能得20分,即V(s)=20
狐狸的actor给三条路A/B/C都打了分
狐狸按照A=0.8, B=C=0.1的概率掷了色子,从而决定走道路A(没有简单地选择概率最大的道路,是为了有更多机会explore)
沿A路走,采到一枚蘑菇,得1分
把自己对state value的估计值,采取的动作,得到的收益都记录下来
在接下来的两个路口,也重复以上过程:
![3901436-6e2390ac0f0a0346](https://i-blog.csdnimg.cn/blog_migrate/2f8759d50e1a511dcd9a8f06535ab220.webp?x-image-process=image/format,png)
狐狸的反思:更新Critic
毕竟这只狐狸还太年轻,critic对当前状态的估计可能存在误差,actor对岔道的打分也未必准确,因此当有了三次经历后,狐狸停下来做一次反思,更新一下自己的critic和actor。狐狸决定先更新自己的critic。
之前说过了,critic更像是一个“回归”任务,目标是使critic预测出的state value与真实state value越接近越好。以上三次经历的state value的预测值,狐狸已经记在自己的小本上了,那么问题来了,那三个state的真实state value是多少?
在如何获取真实state value的问题上,又分成了两个流派:Monte Carlo(MC)法与Temporal-Difference(TD)法。
MC法,简单来说,就是将一次实验进行到底,实验结束时的V(s)自然为0,然后根据Bellman方程回推实验中每个中间步骤的V(s),如下图所示(图中简化了Bellman方程,忽略了时间衰减)。MC法的缺点,一是更新慢,必须等一次实验结束,才能对critic/actor进行更新;二是因为V(s)是状态s之后能够获得的平均收益,实验越长,在每个步骤之后采取不同action导致的分叉越多,但是MC法仅仅依靠上一次实验所覆盖的单一路径就进行更新,显然导致high variance。
![3901436-89a6f55f5efd42d0](https://i-blog.csdnimg.cn/blog_migrate/b69bff87b8ecb1b2ca006d7872803d8c.webp?x-image-process=image/format,png)
另一种方法,TD法,就是依靠现有的不准确的critic进行bootstrapping,逐步迭代,获得精确的critic
![3901436-f686d58093b64ff3](https://i-blog.csdnimg.cn/blog_migrate/3746e5a14bc492444c03a689576dc678.webp?x-image-process=image/format,png)
如上图中狐狸的记事本所示,对于以上三步,狐狸既有了自己对当时state value的预测值,也有了那三个state value的“真实值”,上面的红字就是二者的差,可以用类似“回归”的方法最小化求解。
狐狸的反思:更新Actor
正如前文所述,critic的作用是为了准确预测Policy Gradient前的那个系数,即Likelihood Ratio。
那么critic应该为PG贡献一个什么样的likelihood ratio呢?考虑以下的例子
![3901436-b92bfb066a61d758](https://i-blog.csdnimg.cn/blog_migrate/b6cd854dda2c8ac97d696b825f1cfde0.webp?x-image-process=image/format,png)
-
狐狸还是硬着头皮选择了一条稍微好走的路,中间丢失了许多食物,收益=-20
-
那么actor中,policy gradient之前的likelihood ratio应该是多少?能不能选择采取动作之后的直接收益,-20? 如果是的话,因为选择过桥,导致狐狸丢了20分,以后狐狸在相同状态下(看见前路有狼、陷阱和破桥)选择“过破桥”的概率应该降低!!!
![3901436-3e1bdb814e008903](https://i-blog.csdnimg.cn/blog_migrate/9fbe30a51092fe97561e98dc2931bf8e.webp?x-image-process=image/format,png)
以上结论显然是不合适的,下次不选桥,难道要选狼与陷阱?!哪里出错了?
换个思路:
当初在岔路口时,狐狸对当时state value的预测是-100,
选择了破桥之后,根据critic bootstrapping推导回去,发现之前在岔路口时的状态还不至于那么差,“真实state value”=-20。
回头来看,选择“破桥”还改善了当时的处境,有80分的提升。
因此,之后在相同状态下(看见前路有狼、陷阱和破桥)选择“破桥”的概率,不仅不应该降低,反而还要提高,以鼓励这种明智的选择,显然更合情合理。
这里,某个状态s下的state value的“真实值”与预测值之间的差异,就叫做Advantage,拿advantage作为Policy Gradient之前的乘子,整个算法就叫做Advantage-Actor-Critic (A2C)。
Advantage
注意state value的“真实值”与预测值之间的差异在Actor与Critic上发挥的不同作用
在Actor中,这个差值就叫做Advantage,用来指导Actor应该鼓励还是抑制已经采取的动作。动作带来的Advantage越大,惊喜越大,下次在相同状态下选择这个动作的概率就应该越大,即得到鼓励。反之亦然。
在Critic中,这个差值就叫做Error,是要优化降低的目标,以使Agent对状态值的估计越来越准确。间接使Actor选择动作时也越来越准确。
![3901436-3a25906221e6f3bc](https://i-blog.csdnimg.cn/blog_migrate/ff8b2ba0341942ddfd5dcd3671d1e940.webp?x-image-process=image/format,png)
其他
A2C的主要思路就这样介绍完毕了。在原漫画中,还简单介绍了A3C、Entropy Loss的思想,就属于旁枝末节,请各位看官们移步原漫画。其实A3C的思路也很简单(实现就是另一回事了),无非是让好几只狐狸并发地做实验,期间它们共享经验教训,以加速学习。
![3901436-489fbc670eafc1c2](https://i-blog.csdnimg.cn/blog_migrate/8492434a4a7bed395eccd9f911278cd5.webp?x-image-process=image/format,png)
小结
本篇算是一个半原创吧,在翻译的同时,也增加了我对Actor-Critic的理解。
对于初学RL的同学,希望本文能够帮你们破除RL的神秘感,理清各算法发展的脉络,以后在David Silver课上看到那些公式时,能够有“似曾相识”的感觉。
对于掌握了RL基本算法的同学,也希望你们能够像我一样,当遇到实际问题时,先想到漫画中的小狐狸,定位问题,再去有的放矢地去翻书找公式。
很佩服原漫画的作者,能将复杂的公式、原理用如此通俗易懂、深入浅出的方式讲明白。再次向原作者致敬,Excellent Job !!!
![3901436-91664687bfb70fec](https://i-blog.csdnimg.cn/blog_migrate/552cada3ebf613d4a3e2e3d7f152ced3.webp?x-image-process=image/format,png)
推荐阅读:
看Youtube怎么利用深度学习做推荐
公众号后台回复关键词学习
回复 免费 获取免费课程
回复 直播 获取系列直播课
回复 Python 1小时破冰入门Python
回复 人工智能 从零入门人工智能
回复 深度学习 手把手教你用Python深度学习
回复 机器学习 小白学数据挖掘与机器学习
回复 贝叶斯算法 贝叶斯与新闻分类实战
回复 数据分析师 数据分析师八大能力培养
回复 自然语言处理 自然语言处理之AI深度学习
![3901436-cd33a6997b5fa234](https://i-blog.csdnimg.cn/blog_migrate/a984e1922f4dd77551c1af4c15207ffc.webp?x-image-process=image/format,png)