基于飞桨复现强化学习进阶算法SAC,让月球着陆器顺利着陆
说起强化学习的入门,不知道大家是否也是从Sarsa、Q-learning开始,到DQN,再到Policy Gradient,最后到DDPG,一步步走进了强化学习的世界。在学习了这些基础算法之后,今天我们就一起来了解一下进阶算法SAC,并且看一看如何利用飞桨的PARL强化学习框架方便地把SAC应用到GYM Box2D的月球着陆器环境(LunarLanderContinuous-v2任务)当中去。让我们的月球着陆器可以适应各种情况,顺利着陆。 本文主要包括以下三部分内容:
  • SAC算法论文简介
  • SAC算法样例代码简介
  • 介绍如何用SAC算法玩转月球着陆器

SAC算法论文

SAC是Soft Actor-Critic的缩写,由伯克利人工智能研究实验室(BAIR)的Tuomas Haarnoja等人,提出于2018年。原文链接:https://arxiv.org/abs/1801.01290

不知道读完了论文的同学有没有同感,就是SAC可以大致看成是DDPG的增强版。那么论文为什么想要去增强DDPG呢? 问题一:为什么需要增强DDPG? 论文认为,有两大因素使深度强化学习的实际应用变得困难:
  • 非常高的采样复杂度(very high sample complexity)
  • 脆弱的收敛性质(brittle convergence properties)
为了克服这两个困难,论文提出了SAC,一个基于最大熵强化学习框架的off-policy actor-critic深度强化学习算法。(soft actor-critic, an offpolicy actor-critic deep RL algorithm based on the maximum entropy reinforcement learning framework) 问题二:如何增强DDPG? 在讨论这个问题之前,我们先来说说什么是最大熵?在DDPG算法中,我们是以使reward最大化为目标的。而在SAC中,在使reward最大化的同时,也要最大化策略分布的熵。这就是最大熵。 有的同学可能要问了,到底什么是熵呢?此处我们不说热力学熵,也不说信息熵。这里的熵,个人理解,是用来衡量分布的随机程度的。分布越随机,熵越大。那么Actor把最大化熵也作为优化目标之一,也就意味着,要使策略分布的随机性也最大化。策略分布得更随机了,算法的稳定性和探索性也就随之增强了。 问题三:增强了什么? 那么,加入熵最大化到底增强了什么呢。个人理解,就是使得决策的分布不要像DDPG一样,趋于集中到一个最优解。而是希望同时存在更多的,同样优的策略。这样可以大幅增强鲁棒性,以适应各种各样的环境。 解决了这三个问题,我们已经对SAC有了一定的理解。接下来,我们来看一看论文的实验数据,来感受一下SAC的强大。论文给出SAC以及另外几个主流深度强化学习算法,在六个强化学习任务Benchmark中的训练曲线,图中黄色代表SAC。 从图中的训练曲线来看,SAC在难度各异的几个任务中都表现出了良好的稳定性(黄色阴影部分较窄,且集中于实线附近)。在Hopper-v1,HalfCheetah-v1,Ant-v1,Humanoid(rllab)中,SAC最终的return明显高于其他算法,尤其是在最为复杂的控制空间多达21维的Humanoid (rllab) 中,一骑绝尘,表现出了明显的优势。

SAC算法样例

SAC算法这么好,实现起来会不会很麻烦呢?一起看一看百度飞桨开源深度学习平台PaddlePaddle的飞桨深度强化学习框架PARL中的SAC样例。样例代码链接,GitHub中基于PARL的SAC样例:https://github.com/PaddlePaddle/PARL/tree/develop/examples/SAC

(GitHub访问困难的同学可以自己搜索一下Gitee,也可以在example目录下找到的)

PARL框架的结构大致如上图所示,采用了层层嵌套的结构,适用于绝大多数强化学习算法。具体到SAC算法的话,最内层Model封装了Q网络与策略网络的网络结构,通过value()与policy()两个方法输出Q值和动作值。向外一层,Algorithm主要封装了损失函数,通过predict()向外输出动作值,通过learn()向内更新Model的网络权重。最外层的Agent主要负责与环境的交互并把从环境得到的数据喂给Algorithm。

具体实现上,因为使用了PARL框架的结构和封装好的算法,整个实现显得很整洁。共分为三个文件:

  • mujoco_agent.py

  • mujoco_model.py

  • train.py

先看看mujoco_model.py,这里封装了两个Model类,来实现策略网络和Q网络,也就是SAC中的A与C(Actor与Critic)。两个类都继承了PARL的Model。ActorModel中定义了Actor的网络结构(策略网络),实现了policy方法。这个方法根据输入obs也就是当前外部环境状态,通过内部的策略网络,来输出动作值。

 

CriticModel中定义了Critic的网络结构(Q网络)并且实现了value方法。这个方法根据输入obs和策略网络输出的动作值,通过内部的Q网络,来输出Q值。

再看看mujoco_agent.py,这里封装了MujocoAgent类,这个类继承了PARL的Agent。主要实现了predict,sample,learn三大功能。predict用来根据从环境取得的数据也就是环境状态来输出一个动作值。sample也同样根据环境状态输出动作值,不同的是,这个方法还有一定的概率输出一个随机的动作值,用来探索新的动作。learn则实现了根据环境状态、动作值和回报值等数据来优化model内部网络参数的功能。

最后看看train.py,这里就是训练脚本了。实例化actor和critic后,使用PARL封装好的SAC算法,层层嵌套最后得到一个可以和环境交互的agent实例:

可以直接用PARL内置的ReplayMemory类实现经验回放,并且给从PARL导入的ReplayMemory设置参数。

以上设置OK之后,直接启动 python train.py 就可以愉快的开始训练了。 篇幅有限这里只说说简要思路,有兴趣的同学可以直接去看看源码。

SAC算法实践

最后,我们通过实践,来看一看SAC算法在GYM Box2D的LunarLanderContinuous-v2任务中的表现。

同样基于PARL框架,代码也十分简洁。与样例相比,主要在训练脚本中改动了两处。

首先引入gym库 然后,在main中创建月球着陆器环境 另外,为了可视化训练过程,我们还加入了reward保存与读取,以及可视化的代码 在Notebook文件中加入下面语句,输出可视化就做好了。 在GPU上经过几个小时的训练,我们就可以得到可视化输出如下所示。 从训练与评估的输出来看,收敛良好,SAC算法的优势在这个实践中得以完美体现。

全文回顾

首先,我们总结了论文的主要内容,分析了SAC算法提出的目的,原理和作用。算法通过引入最大熵使得决策分布趋于多样化,从而适应于更为复杂的实际应用,并取得更好的应用效果。

其次,介绍了PARL框架给出的SAC算法样例概要。得益于PARL框架的强大,样例代码显得简洁明晰,易读易上手。 最后,实践环节,了解了这个框架在LunarLanderContinuous-v2环境中的应用。在SAC算法的帮助下,我们的登月舱得以平稳准确地着陆于指定位置。并且在训练过程中表现出了快速收敛和稳定输出的良好性能。 实践代码链接: https://aistudio.baidu.com/aistudio/projectdetail/888258 想具体了解如何简洁地实现SAC算法吗?想亲手训练并玩转月球着陆器吗?那就点击上面的链接查看开源代码,然后Fork并运行一下吧。