强化学习之图解SAC算法

柔性动作-评价（Soft Actor-Critic，SAC）算法的网络结构有5个。SAC算法解决的问题是离散动作空间和连续动作空间的强化学习问题，是off-policy的强化学习算法（关于on-policy和off-policy的讨论可见：强化学习之图解PPO算法和TD3算法）。

SAC的论文有两篇，一篇是《Soft Actor-Critic Algorithms and Applications》，2019年1月发表，其中SAC算法流程如下所示，它包括1个actor网络，4个Q Critic网络：

一篇是《Soft Actor-Critic: Off-Policy Maximum Entropy Deep Reinforcement Learning with a Stochastic Actor》，2018年8月发表，其中SAC算法流程如下所示，它包括1个actor网络，2个V Critic网络（1个V Critic网络，1个Target V Critic网络），2个Q Critic网络：

本文介绍的算法思路是1个actor网络，2个V Critic网络（1个V Critic网络，1个Target V Critic网络），2个Q Critic网络。而另一种SAC算法思路可以参考openAI的spinning up教程：openAI spinning up

1. 网络结构

关于SAC算法的网络结构图解，笔者认为此链接的讲解也非常地好：Soft Actor-Critic，本文和此链接的说法一致。

一个actor网络，四个critic网络，分别是状态价值估计$v$和Target $v$网络；动作-状态价值估计$Q_0$和$Q_1$网络。

actor网络的输入为状态，输出为动作概率$\pi (a_t|s_t)$（对于离散动作空间而言）或者动作概率分布参数（对于连续动作空间而言）

critic网络的输入为状态，输出为状态的价值。其中 V Critic 网络的输出为$v(s)$，代表状态价值的估计；Q Critic 网络的输出为$q(s,a)$，代表动作-状态对价值（以下简称为动作价值）的估计；

因为在SAC算法中为了鼓励探索，增加了熵的概念，所以它actor和critic网络的训练目标和常规不含熵的算法（如TD3，PPO）的训练目标不一样。

在SAC算法中，如果actor网络输出的动作越能够使一个综合指标（既包含动作价值$q$，又包含熵$h$）变大，那么就越好。

如果Q critic网络输出的动作价值$q$越准确（根据贝尔曼方程可知，$q$是否准确依赖于$v$是否准确），那么就越好。

如果V critic网络输出的状态价值$v$越准确，那么就越好。但需要注意的是，因为SAC中加了熵的概念，所以状态价值$v$并不是我们通常理解的$v(s)$，它其中还加了熵这一项。

接下来只说SAC的算法流程，而不对其中的公式做过多的解释，具体SAC算法的推导过程可以参考《最前沿：深度解读Soft Actor-Critic 算法》。

2. 产生experience的过程

已知一个状态$s_t$，通过 actor网络 得到所有动作的概率$\pi (a|s_t)$（图中以三个动作：$a_1,a_2,a_3$为例），然后依概率采样得到动作$a_t=a_2$，然后将$a_2$输入到环境中，得到$s_{t+1}$和$r_{t+1}$，这样就得到一个experience: $(s_t,a_2,s_{t+1},r_{t+1})$，然后将experience放入经验池中。

以上是离散动作的情况，如果是连续动作，就输出概率分布的参数（比如高斯分布的均值和方差），然后按照概率分布去采样得到动作$a_t$.

经验池 存在的意义是为了消除experience的相关性，因为强化学习中前后动作通常是强相关的，而将它们打散，放入经验池中，然后在训练神经网络时，随机地从经验池中选出一批experience，这样能够使神经网络训练地更好。

3. Q Critic网络的更新流程

拿从经验池buffer中采出的数据$(s_t,a_t,s_{t+1},r_{t+1})$进行Critic网络的更新，以$(s_t,a_2,s_{t+1},r_{t+1})$为例。

基于最优贝尔曼方程，用$U_t^{\left(q\right)}=r_t+\gamma v(s_{t+1})$作为状态$s_t$的真实价值估计，而用实际采用的动作$a_2$的$q_i(s_t,a_2)$值$(其中，i=0,1)$作为状态$s_t$的预测价值估计，最后用MSEloss作为Loss函数，对神经网络$Q_0$,$Q_1$进行训练。

注意取MSELoss就意味着对从经验池buffer中取一个batch的数据进行了求平均的操作，即：

$$Loss=\frac{1}{|\mathcal{B}|}\sum _{\left(s_t,a_t,r_{t+1},s_{t+1}\right)\in \mathcal{B}}{\left[q_i\left(s_t,a_t;w^{\left(i\right)}\right)-U_t^{\left(q\right)}\right]}^2$$

pytorch代码如下：

        # train Q criticnext_v_tensor = self.v_target_net(next_state_tensor)q_target_tensor = reward_tensor.unsqueeze(1) + self.gamma *                 (1. - done_tensor.unsqueeze(1)) * next_v_tensorall_q0_pred_tensor = self.q0_net(state_tensor)q0_pred_tensor = torch.gather(all_q0_pred_tensor, 1, action_tensor.unsqueeze(1))q0_loss_tensor = self.q0_loss(q0_pred_tensor, q_target_tensor.detach())self.q0_optimizer.zero_grad()q0_loss_tensor.backward()self.q0_optimizer.step()all_q1_pred_tensor = self.q1_net(state_tensor)q1_pred_tensor = torch.gather(all_q1_pred_tensor, 1, action_tensor.unsqueeze(1))q1_loss_tensor = self.q1_loss(q1_pred_tensor, q_target_tensor.detach())self.q1_optimizer.zero_grad()q1_loss_tensor.backward()self.q1_optimizer.step()

4. V Critic网络的更新流程

拿从经验池buffer中采出的数据$(s_t,a_t,s_{t+1},r_{t+1})$进行V Critic网络的更新，接着$(s_t,a_2,s_{t+1},r_{t+1})$的例子。

用含熵的式子进行状态价值估计，即下式作为V critic网络输出的真实值：

$$\begin{gathered} U_t^{\left(v\right)}=E_{a_t^{{}^{\prime }}\sim \pi \left(\cdot |s_t;\theta \right)}\left[\underset{i=0,1}{\min }{q}_i\left(s_t,a_t^{{}^{\prime }};w^{\left(i\right)}\right)-\alpha \ln \pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)\right] \\ =\sum _{a_t^{{}^{\prime }}\in \mathbb{A}\left(s_t\right)}\pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)\left[\underset{i=0,1}{\min }{q}_i\left(s_t,a_t^{{}^{\prime }};w^{\left(i\right)}\right)-\alpha \ln \pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)\right] \end{gathered}$$

可以看到$\pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)$、$\underset{i=0,1}{\min }{q}_i\left(s_t,a_t^{{}^{\prime }};w^{\left(i\right)}\right)$、$\ln \pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)$这三项和图中的Loss三个输入箭头完全一致。

用V critic网络的输出作为预测值，最后用MSEloss作为Loss函数，对神经网络$V$进行训练。

注意取MSELoss就意味着对从经验池buffer中取一个batch的数据进行了求平均的操作，即：

$$Loss=\frac{1}{|\mathcal{B}|}\sum _{\left(s_t,a_t,r_{t+1},s_{t+1}\right)\in \mathcal{B}}{\left[v\left(s_t;w^{\left(v\right)}\right)-U_t^{\left(v\right)}\right]}^2$$

pytorch代码如下：

        # train V criticq0_tensor = self.q0_net(state_tensor)q1_tensor = self.q1_net(state_tensor)q01_tensor = torch.min(q0_tensor, q1_tensor)prob_tensor = self.actor_net(state_tensor)ln_prob_tensor = torch.log(prob_tensor.clamp(1e-6, 1.))entropic_q01_tensor = prob_tensor * (q01_tensor -self.alpha * ln_prob_tensor)# OR entropic_q01_tensor = prob_tensor * (q01_tensor - \#         self.alpha * torch.xlogy(prob_tensor, prob_tensor)v_target_tensor = torch.sum(entropic_q01_tensor, dim=-1, keepdim=True)v_pred_tensor = self.v_evaluate_net(state_tensor)v_loss_tensor = self.v_loss(v_pred_tensor, v_target_tensor.detach())self.v_optimizer.zero_grad()v_loss_tensor.backward()self.v_optimizer.step()self.update_net(self.v_target_net, self.v_evaluate_net)

5. Actor网络的更新流程

对actor网络训练的loss稍微有些复杂，其表达式为：

$$Loss=-\frac{1}{|\mathcal{B}|}\sum _{\left(s_t,a_t,r_{t+1},s_{t+1}\right)\in \mathcal{B}}{E}_{a_t^{{}^{\prime }}\sim \pi \left(\cdot |s_t;\theta \right)}\left[q_0\left(s_t,a_t^{{}^{\prime }}\right)-\alpha \ln \pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)\right]$$

$E_{a_t^{{}^{\prime }}\sim \pi \left(\cdot |s_t;\theta \right)}[....]$代表需要对中括号里面的项取期望，注意：$a_t^{{}^{\prime }}$并不是在buffer中取出的数据$\left(s_t,a_t,r_{t+1},s_{t+1}\right)$中的$a_t$，而是重新用actor网络$\pi$预测的所有可能的动作，因此对于离散动作空间，常有以下的等价计算方法：

$$\begin{gathered} E_{a_t^{{}^{\prime }}\sim \pi \left(\cdot |s_t;\theta \right)}\left[q_0\left(s_t,a_t^{{}^{\prime }};w^{\left(0\right)}\right)-\alpha \ln \pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)\right] \\ =\sum _{a_t^{{}^{\prime }}\in \mathbb{A}\left(s_t\right)}\pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)\left[q_0\left(s_t,a_t^{{}^{\prime }};w^{\left(0\right)}\right)-\alpha \ln \pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)\right] \end{gathered}$$

可以看到$\pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)$、$q_0\left(s_t,a_t^{{}^{\prime }};w^{\left(0\right)}\right)$、$\ln \pi \left(a_t^{{}^{\prime }}|s_t;\theta \right)$这三项和图中的Loss三个输入箭头完全一致。需要注意的是$q_0\left(s_t,a_t^{{}^{\prime }};w^{\left(0\right)}\right)$可以用$q_1\left(s_t,a_t^{{}^{\prime }};w^{\left(1\right)}\right)$替换，这两个Q critic网络在功能上是等价的。

$\mathcal{B}$代表经验池buffer，即求Loss的时候还需要对经验池中取出的样本取平均。这样能够体现取出的样本平均意义下的好坏。

其中：$\alpha$是熵的奖励系数，它决定熵$\ln \pi \left(a_{t+1}|s_t;\theta \right)$的重要性，越大越重要。

pytorch代码如下：

# train actorprob_q_tensor = prob_tensor * (self.alpha * ln_prob_tensor - q0_tensor)actor_loss_tensor = prob_q_tensor.sum(axis=-1).mean()self.actor_optimizer.zero_grad()actor_loss_tensor.backward()self.actor_optimizer.step()

如果觉得文章有帮助，可以关注我、并且给文章点赞并收藏，欢迎大家关注我的知乎同名账号：ReEchooo。主页链接