网站域名已经解析但没有被百度等搜索引擎收录怎么办,网站如何建设成直播间,wordpress子 主题,万宁建设局网站A3C算法#xff08; Asynchronous Methods for Deep Reinforcement Learning#xff09;于2016年被谷歌DeepMind团队提出。A3C是一种非常有效的深度强化学习算法#xff0c;在围棋、星际争霸等复杂任务上已经取得了很好的效果。接下来#xff0c;我们先从A3C的名称入手 Asynchronous Methods for Deep Reinforcement Learning于2016年被谷歌DeepMind团队提出。A3C是一种非常有效的深度强化学习算法在围棋、星际争霸等复杂任务上已经取得了很好的效果。接下来我们先从A3C的名称入手去解析这个算法。 Diagram of A3C high-level architecture. A3C代表了异步优势动作评价Asynchronous Advantage Actor Critic 异步Asynchronous因为算法涉及并行执行一组环境。与DQN不同DQN中单个神经网络代表的单个智能体与单个环境交互而A3C利用上述多个化身来更有效地学习。在A3C中有一个全局网络global network和多个工作智能体worker每个智能体都有自己的网络参数集。这些智能体中的每一个都与它自己的环境副本交互同时其他智能体与它们的环境交互并行训练。这比单个智能体除了加速完成更多工作更好的原因在于每个智能体的经验独立于其他智能体的经验。这样可用于训练的整体经验多样化。 优势Advantage因为策略梯度的更新使用优势函数 动作评价Actor Critic因为这是一种动作评价actor-critic方法它涉及一个在学得的状态值函数帮助下进行更新的策略 ∇ θ ′ log π ( a t ∣ s t ; θ ′ ) A ( s t , a t ; θ v ) A ( s t , a t ; θ v ) ∑ i 0 k − 1 γ i r t i γ k V ( s t k ; θ v ) − V ( s t ; θ v ) \begin{gathered}\nabla_{\theta}\log\pi(a_t|s_t;\theta)A(s_t,a_t;\theta_v)\\\\A(s_t,a_t;\theta_v)\sum_{i0}^{k-1}\gamma^ir_{ti}\gamma^kV(s_{tk};\theta_v)-V(s_t;\theta_v)\end{gathered} ∇θ′logπ(at∣st;θ′)A(st,at;θv)A(st,at;θv)i0∑k−1γirtiγkV(stk;θv)−V(st;θv) 可以用 k k k步的bootstrap进行更新。 下图是一个基于16个环境平行训练的图示说明。 Actor-Critic Methods: A3C and A2C A3C图示说明 16个并行环境 θ \theta θ指的是策略的参数actor θ v \theta_v θv指的是值函数的参数critic两者梯度分别更新 α \alpha α和 α v \alpha_v αv则是相应的学习率。该算法为了鼓励探索在策略更新中加入了一个熵奖励正则化项嵌入在 d θ d\theta dθ中。使用Hogwild!作为更新方法。Hogwild!是一种并行更新的方法其中多个线程可能会同时更新共享参数。这种并行更新可能会导致线程间的冲突但在这里作者认为这不会造成太大问题。在计算策略的优势时算法采用了前向视角forward view的n步回报而不是后向视角backward view。前向视角与后向视角的区别在于如何计算多步的奖励。后向视角的计算需要用到资格迹eligibility traces详情参考Sutton的圣经。 A3C算法伪代码 A3C算法实现 Simple Reinforcement Learning with Tensorflow Part 8: Asynchronous Actor-Critic Agents (A3C) 每个worker从global network复制参数不同的worker与环境去做互动不同的worker计算出各自的gradient不同的worker把各自的gradient传回给global networkglobal network接收到gradient后进行参数更新
Tensorflow版本代码
代码结构
AC_Network这个类包含了创建网络本身的所有Tensorflow操作。Worker这个类包含了AC_Network的一个副本一个环境类以及与环境交互和更新全局网络的所有逻辑。用于建立Worker实例并并行运行它们的高级代码。
Pytorch版本代码
参考了莫烦python——https://github.com/MorvanZhou/pytorch-A3C/tree/master 以及https://github.com/cyoon1729/Policy-Gradient-Methods/blob/master/a3c/a3c.py 代码基于gymnasium去做的但还有些问题之后修改完再放出来下面是运行上述代码中产生的问题
莫烦python理想的结果如下所示 但在实际运行中出现下面两幅图的情况reward达到峰值后迅速下降猜测可能是worker学习到不好的策略同步给global使得原本好的策略持续变坏? 另一个版本的代码收敛较快运行良好。也是利用交叉熵去作为正则化项的。
w0 | episode: 978 391.0
w5 | episode: 979 396.0
w3 | episode: 980 399.0
w7 | episode: 981 500.0
w4 | episode: 982 383.0
w1 | episode: 983 500.0
w6 | episode: 984 500.0
w2 | episode: 985 500.0
w0 | episode: 986 500.0
w5 | episode: 987 500.0
w3 | episode: 988 500.0
w4 | episode: 989 500.0
w7 | episode: 990 500.0
w1 | episode: 991 500.0
w6 | episode: 992 500.0
w2 | episode: 993 500.0
w0 | episode: 994 500.0
w5 | episode: 995 500.0
w3 | episode: 996 500.0
w7 | episode: 997 500.0
w4 | episode: 998 500.0
w1 | episode: 999 500.0
w6 | episode: 1000 500.0参考
[1] 伯禹AI [2] https://www.davidsilver.uk/teaching/ [3] 动手学强化学习 [4] Reinforcement Learning [5] Asynchronous Methods for Deep Reinforcement Learning [6] 第9章演员-评论员算法 [7] Simple Reinforcement Learning with Tensorflow Part 8: Asynchronous Actor-Critic Agents (A3C) [8] Actor-Critic Methods: A3C and A2C [9] https://mofanpy.com/tutorials/machine-learning/reinforcement-learning/intro-A3C
