动手强化学习（七）：DQN 改进算法——Double DQN

文章转于 伯禹学习平台-动手学强化学习 （强推）
本文所有代码均可在jupyter notebook运行
与君共勉，一起学习。
更多Ai资讯：公主号AiCharm

1. 简介

  DQN 算法敲开了深度强化学习的大门，但是作为先驱性的工作，其本身存在着一些问题以及一些可以改进的地方。于是，在 DQN 之后，学术界涌现出了非常多的改进算法。本章将介绍其中两个非常著名的算法：Double DQN 和 Dueling DQN，这两个算法的实现非常简单，只需要在 DQN 的基础上稍加修改，它们能在一定程度上改善 DQN 的效果。

2. Double DQN

  普通的 DQN 算法通常会导致对 $Q$ 值的过高估计 (overestimation) 。传统 DQN 优化的 TD 误差目标为
$$r+\gamma \underset{a^{\prime }}{\max }{Q}_{{\omega }^{-}}\left(s^{\prime },a^{\prime }\right)$$
  其中 ${\max }_{a^{\prime }}{Q}_{{\omega }^{-}}\left(s^{\prime },a^{\prime }\right)$ 由目标网络（参数为 ${\omega }^{-}$) 计算得出，我们还可以将其写成如下形式:
$$Q_{{\omega }^{-}}\left(s^{\prime },\arg \underset{a^{\prime }}{\max }{Q}_{{\omega }^{-}}\left(s^{\prime },a^{\prime }\right)\right)$$
  换句话说，max操作实际可以被拆解为两部分：首先选取状态 $s^{\prime }$ 下的最优动作 $a^{\ast }=\arg {\max }_{a^{\prime }}{Q}_{{\omega }^{-}}\left(s^{\prime },a^{\prime }\right)$ ，接着计算该动作对应的价值 $Q_{{\omega }^{-}}\left(s^{\prime },a^{\ast }\right)$ 。当这两部分采用同一套 Q 网络进行计算 时，每次得到的都是神经网络当前估算的所有动作价值中的最大值。考虑到通过神经网络估算的 $Q$ 值本身在某些时候会产生正向或负向的误差，在 DQN 的更新方式下神经网络会将正向误差累 积。例如，我们考虑一个特殊情形: 在状态 $s^{\prime }$ 下所有动作的 $Q$ 值均为 0 ，即 $Q\left(s^{\prime },a_i\right)=0,\forall i$ ，此时正确的更新目标应为 $r+0=r$ ，但是由于神经网络拟合的误差通常会出现某些动作的估算有正 误差的情况，即存在某个动作 $a^{\prime }$ 有 $Q\left(s^{\prime },a^{\prime }\right)>0$ ，此时我们的更新目标出现了过高估计， $r+\gamma \max Q>r+0$ 。因此，当我们用 DQN 的更新公式进行更新时， $Q(s,a)$ 也就会被过高估计了。同 理，我们拿这个 $Q(s,a)$ 来作为更新目标来更新上一步的 $Q$ 值时，同样会过高估计，这样的误差将会逐步累积。对于动作空间较大的任务， DQN 中的过高估计问题会非常严重，造成 DQN 无法有 效工作的后果。
  为了解决这一问题，Double DQN 算法提出利用两个独立训练的神经网络估算 ${\max }_{a^{\prime }}{Q}_{\ast }\left(s^{\prime },a^{\prime }\right)$ 。具体做法是将原有的 ${\max }_{a^{\prime }}{Q}_{{\omega }^{-}}\left(s^{\prime },a^{\prime }\right)$ 更改为 $Q_{{\omega }^{-}}\left(s^{\prime },\arg {\max }_{a^{\prime }}{Q}_{\omega }\left(s^{\prime },a^{\prime }\right)\right)$ ，即利用一套神经 网络 $Q_{\omega }$ 的输出选取价值最大的动作，但在使用该动作的价值时，用另一套神经网络 $Q_{\omega }^{-}$计算该动作的价值。这样，即使其中一套神经网络的某个动作存在比较严重的过高估计问题，由于另一套神 经网络的存在，这个动作最终使用的 $Q$ 值不会存在很大的过高估计问题。
  在传统的 DQN 算法中，本来就存在两套 $Q$ 函数的神经网络——目标网络和训练网络（参见 7.3.2 节)，只不过 ${\max }_{a^{\prime }}{Q}_{{\omega }^{-}}\left(s^{\prime },a^{\prime }\right)$ 的计算只用到了其中的目标网络，那么我们恰好可以直接将训练 网络作为 Double DQN 算法中的第一套神经网络来选取动作，将目标网络作为第二套神经网络计算 $Q$ 值，这便是 Double DQN 的主要思想。由于在 DQN 算法中将训练网络的参数记为 $\omega$ ，将目标 网络的参数记为 ${\omega }^{-}$，这与本节中 Double DQN 的两套神经网络的参数是统一的，因此，我们可以直接写出如下 Double DQN 的优化目标:
$$r+\gamma Q_{{\omega }^{-}}\left(s^{\prime },\underset{a^{\prime }}{\mathrm{argmax}}{Q}_{\omega }\left(s^{\prime },a^{\prime }\right)\right)$$

3. Double DQN代码实战

显然， DQN 与 Double DQN 的差别只是在于计算状态 $s^{\prime }$ 下 $Q$ 值时如何选取动作：

• DQN 的优化目标可以写为 $r+\gamma Q_{{\omega }^{-}}\left(s^{\prime },\arg {\max }_{a^{\prime }}{Q}_{{\omega }^{-}}\left(s^{\prime },a^{\prime }\right)\right)$ ，动作的选取依靠目标网络 $Q_{{\omega }^{-}}$；
• Double DQN 的优化目标为 $r+\gamma Q_{{\omega }^{-}}\left(s^{\prime },\arg {\max }_{a^{\prime }}{Q}_{\omega }\left(s^{\prime },a^{\prime }\right)\right)$ ， 动作的选取依靠训练网络 $Q_{{\omega }_0}$ 。

  所以 Double DQN 的代码实现可以直接在 DQN 的基础上进行，无须做过多修改。

  本节采用的环境是倒立摆（Inverted Pendulum），该环境下有一个处于随机位置的倒立摆，如图 8-1 所示。环境的状态包括倒立摆角度的正弦值 $sin\theta$ ，余弦值cos $\theta$ ，角速度 ${\theta }_{\text{； }}$ ；动作为对倒立摆施 加的力矩，详情参见表 8-1 和表 8-2。每一步都会根据当前倒立摆的状态的好坏给予智能体不同的奖励，该环境的奖励函数为 $-\left({\theta }^2+0.1{\dot{\theta }}^2+0.001a^2\right)$ ，倒立摆向上保持直立不动时奖励为 0 ， 倒立摆在其他位置时奖励为负数。环境本身没有终止状态，运行 200 步后游戏自动结束。

  力矩大小是在$[-2,2]$范围内的连续值。由于 DQN 只能处理离散动作环境，因此我们无法直接用 DQN 来处理倒立摆环境，但倒立摆环境可以比较方便地验证 DQN 对值$Q$的过高估计：倒立摆环境下$Q$值的最大估计应为 0（倒立摆向上保持直立时能选取的最大$Q$值），$Q$值出现大于 0 的情况则说明出现了过高估计。为了能够应用 DQN，我们采用离散化动作的技巧。例如，下面的代码将连续的动作空间离散为 11 个动作。动作$[0,1,2,3,4,5,6,7,8,9,10]$分别代表力矩为$[-2,-1.6,-1.2,....1.2,1.6,2]$。

import random
import gym
import numpy as np
import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
import rl_utils
from tqdm import tqdm


class Qnet(torch.nn.Module):
    ''' 只有一层隐藏层的Q网络 '''
    def __init__(self, state_dim, hidden_dim, action_dim):
        super(Qnet, self).__init__()
        self.fc1 = torch.nn.Linear(state_dim, hidden_dim)
        self.fc2 = torch.nn.Linear(hidden_dim, action_dim)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        return self.fc2(x)

  接下来我们在 DQN 代码的基础上稍做修改以实现 Double DQN。

class DQN:
    ''' DQN算法,包括Double DQN '''
    def __init__(self,
                 state_dim,
                 hidden_dim,
                 action_dim,
                 learning_rate,
                 gamma,
                 epsilon,
                 target_update,
                 device,
                 dqn_type='VanillaDQN'):
        self.action_dim = action_dim
        self.q_net = Qnet(state_dim, hidden_dim, self.action_dim).to(device)
        self.target_q_net = Qnet(state_dim, hidden_dim,
                                 self.action_dim).to(device)
        self.optimizer = torch.optim.Adam(self.q_net.parameters(),
                                          lr=learning_rate)
        self.gamma = gamma
        self.epsilon = epsilon
        self.target_update = target_update
        self.count = 0
        self.dqn_type = dqn_type
        self.device = device

    def take_action(self, state):
        if np.random.random() < self.epsilon:
            action = np.random.randint(self.action_dim)
        else:
            state = torch.tensor([state], dtype=torch.float).to(self.device)
            action = self.q_net(state).argmax().item()
        return action
   	def max_q_value(self, state):
        state = torch.tensor([state], dtype=torch.float).to(self.device)
        return self.q_net(state).max().item()

    def update(self, transition_dict):
        states = torch.tensor(transition_dict['states'],
                              dtype=torch.float).to(self.device)
        actions = torch.tensor(transition_dict['actions']).view(-1, 1).to(
            self.device)
        rewards = torch.tensor(transition_dict['rewards'],
                               dtype=torch.float).view(-1, 1).to(self.device)
        next_states = torch.tensor(transition_dict['next_states'],
                                   dtype=torch.float).to(self.device)
        dones = torch.tensor(transition_dict['dones'],
                             dtype=torch.float).view(-1, 1).to(self.device)

        q_values = self.q_net(states).gather(1, actions)  # Q值
        # 下个状态的最大Q值
        if self.dqn_type == 'DoubleDQN': # DQN与Double DQN的区别
            max_action = self.q_net(next_states).max(1)[1].view(-1, 1)
            max_next_q_values = self.target_q_net(next_states).gather(1, max_action)
        else: # DQN的情况
            max_next_q_values = self.target_q_net(next_states).max(1)[0].view(-1, 1)
        q_targets = rewards + self.gamma * max_next_q_values * (1 - dones)  # TD误差目标
        dqn_loss = torch.mean(F.mse_loss(q_values, q_targets))  # 均方误差损失函数
        self.optimizer.zero_grad()  # PyTorch中默认梯度会累积,这里需要显式将梯度置为0
        dqn_loss.backward()  # 反向传播更新参数
        self.optimizer.step()

        if self.count % self.target_update == 0:
            self.target_q_net.load_state_dict(
                self.q_net.state_dict())  # 更新目标网络
        self.count += 1

  接下来我们设置相应的超参数，并实现将倒立摆环境中的连续动作转化为离散动作的函数。

lr = 1e-2
num_episodes = 200
hidden_dim = 128
gamma = 0.98
epsilon = 0.01
target_update = 50
buffer_size = 5000
minimal_size = 1000
batch_size = 64
device = torch.device("cuda") if torch.cuda.is_available() else torch.device(
    "cpu")

env_name = 'Pendulum-v0'
env = gym.make(env_name)
state_dim = env.observation_space.shape[0]
action_dim = 11  # 将连续动作分成11个离散动作


def dis_to_con(discrete_action, env, action_dim):  # 离散动作转回连续的函数
    action_lowbound = env.action_space.low[0]  # 连续动作的最小值
    action_upbound = env.action_space.high[0]  # 连续动作的最大值
    return action_lowbound + (discrete_action /
                              (action_dim - 1)) * (action_upbound -
                                                   action_lowbound)

  接下来要对比 DQN 和 Double DQN 的训练情况，为了便于后续多次调用，我们进一步将 DQN 算法的训练过程定义成一个函数。训练过程会记录下每个状态的最大$Q$值，在训练完成后我们可以将结果可视化，观测这些$Q$值存在的过高估计的情况，以此来对比 DQN 和 Double DQN 的不同。

def train_DQN(agent, env, num_episodes, replay_buffer, minimal_size,
              batch_size):
    return_list = []
    max_q_value_list = []
    max_q_value = 0
    for i in range(10):
        with tqdm(total=int(num_episodes / 10),
                  desc='Iteration %d' % i) as pbar:
            for i_episode in range(int(num_episodes / 10)):
                episode_return = 0
                state = env.reset()
                done = False
                while not done:
                    action = agent.take_action(state)
                    max_q_value = agent.max_q_value(
                        state) * 0.005 + max_q_value * 0.995  # 平滑处理
                    max_q_value_list.append(max_q_value)  # 保存每个状态的最大Q值
                    action_continuous = dis_to_con(action, env,
                                                   agent.action_dim)
                    next_state, reward, done, _ = env.step([action_continuous])
                    replay_buffer.add(state, action, reward, next_state, done)
                    state = next_state
                    episode_return += reward
                    if replay_buffer.size() > minimal_size:
                        b_s, b_a, b_r, b_ns, b_d = replay_buffer.sample(
                            batch_size)
                        transition_dict = {
                            'states': b_s,
                            'actions': b_a,
                            'next_states': b_ns,
                            'rewards': b_r,
                            'dones': b_d
                        }
                        agent.update(transition_dict)
                return_list.append(episode_return)
                if (i_episode + 1) % 10 == 0:
                    pbar.set_postfix({
                        'episode':
                        '%d' % (num_episodes / 10 * i + i_episode + 1),
                        'return':
                        '%.3f' % np.mean(return_list[-10:])
                    })
                pbar.update(1)
    return return_list, max_q_value_list

  一切就绪！我们首先训练 DQN 并打印出其学习过程中最大$Q$值的情况。

random.seed(0)
np.random.seed(0)
env.seed(0)
torch.manual_seed(0)
replay_buffer = rl_utils.ReplayBuffer(buffer_size)
agent = DQN(state_dim, hidden_dim, action_dim, lr, gamma, epsilon,
            target_update, device)
return_list, max_q_value_list = train_DQN(agent, env, num_episodes,
                                          replay_buffer, minimal_size,
                                          batch_size)

episodes_list = list(range(len(return_list)))
mv_return = rl_utils.moving_average(return_list, 5)
plt.plot(episodes_list, mv_return)
plt.xlabel('Episodes')
plt.ylabel('Returns')
plt.title('DQN on {}'.format(env_name))
plt.show()

frames_list = list(range(len(max_q_value_list)))
plt.plot(frames_list, max_q_value_list)
plt.axhline(0, c='orange', ls='--')
plt.axhline(10, c='red', ls='--')
plt.xlabel('Frames')
plt.ylabel('Q value')
plt.title('DQN on {}'.format(env_name))
plt.show()
-----------------------------------------------------------------------------------------
Iteration 0: 100%|██████████| 20/20 [00:02<00:00,  7.14it/s, episode=20, return=-1018.764]
Iteration 1: 100%|██████████| 20/20 [00:03<00:00,  5.73it/s, episode=40, return=-463.311]
Iteration 2: 100%|██████████| 20/20 [00:03<00:00,  5.53it/s, episode=60, return=-184.817]
Iteration 3: 100%|██████████| 20/20 [00:03<00:00,  5.55it/s, episode=80, return=-317.366]
Iteration 4: 100%|██████████| 20/20 [00:03<00:00,  5.67it/s, episode=100, return=-208.929]
Iteration 5: 100%|██████████| 20/20 [00:03<00:00,  5.59it/s, episode=120, return=-182.659]
Iteration 6: 100%|██████████| 20/20 [00:03<00:00,  5.25it/s, episode=140, return=-275.938]
Iteration 7: 100%|██████████| 20/20 [00:03<00:00,  5.65it/s, episode=160, return=-209.702]
Iteration 8: 100%|██████████| 20/20 [00:03<00:00,  5.73it/s, episode=180, return=-246.861]

  根据代码运行结果我们可以发现，DQN 算法在倒立摆环境中能取得不错的回报，最后的期望回报在-200 左右，但是不少$Q$值超过了 0，有一些还超过了 10，该现象便是 DQN 算法中的$Q$值过高估计。我们现在来看一下 Double DQN 是否能对此问题进行改善。

random.seed(0)
np.random.seed(0)
env.seed(0)
torch.manual_seed(0)
replay_buffer = rl_utils.ReplayBuffer(buffer_size)
agent = DQN(state_dim, hidden_dim, action_dim, lr, gamma, epsilon,
            target_update, device, 'DoubleDQN')
return_list, max_q_value_list = train_DQN(agent, env, num_episodes,
                                          replay_buffer, minimal_size,
                                          batch_size)

episodes_list = list(range(len(return_list)))
mv_return = rl_utils.moving_average(return_list, 5)
plt.plot(episodes_list, mv_return)
plt.xlabel('Episodes')
plt.ylabel('Returns')
plt.title('Double DQN on {}'.format(env_name))
plt.show()

frames_list = list(range(len(max_q_value_list)))
plt.plot(frames_list, max_q_value_list)
plt.axhline(0, c='orange', ls='--')
plt.axhline(10, c='red', ls='--')
plt.xlabel('Frames')
plt.ylabel('Q value')
plt.title('Double DQN on {}'.format(env_name))
plt.show()
-----------------------------------------------------------------------------------------------------
Iteration 0: 100%|██████████| 20/20 [00:03<00:00,  6.60it/s, episode=20, return=-818.719]
Iteration 1: 100%|██████████| 20/20 [00:03<00:00,  5.43it/s, episode=40, return=-391.392]
Iteration 2: 100%|██████████| 20/20 [00:03<00:00,  5.29it/s, episode=60, return=-216.078]
Iteration 3: 100%|██████████| 20/20 [00:03<00:00,  5.52it/s, episode=80, return=-438.220]
Iteration 4: 100%|██████████| 20/20 [00:03<00:00,  5.42it/s, episode=100, return=-162.128]
Iteration 5: 100%|██████████| 20/20 [00:03<00:00,  5.50it/s, episode=120, return=-389.088]
Iteration 6: 100%|██████████| 20/20 [00:03<00:00,  5.44it/s, episode=140, return=-273.700]
Iteration 7: 100%|██████████| 20/20 [00:03<00:00,  5.23it/s, episode=160, return=-221.605]
Iteration 8: 100%|██████████| 20/20 [00:04<00:00,  4.91it/s, episode=180, return=-262.134]
Iteration 9: 100%|██████████| 20/20 [00:03<00:00,  5.34it/s, episode=200, return=-278.752]

  我们可以发现，与普通的 DQN 相比，Double DQN 比较少出现$Q$值大于 0 的情况，说明$Q$值过高估计的问题得到了很大缓解。

更多Ai资讯：公主号AiCharm

相关资源来自：伯禹学习平台-动手学强化学习