1 A3C简介
A3C全称Asynchronous Advantage Actor-Critic,顾名思义,它采用的是Actor-Critic的形式(需要回顾Actor-Critic的,可以点击这里【强化学习】Actor-Critic(演员-评论家)算法详解)。为了训练一对Actor和Critic,我们将他复制多份红色的,然后同时放在不同的平行空间中,让他们各玩各的。然后每个红色副本都悄悄告诉黑色的Actor-Critic自己在那边的世界玩的怎么样,有哪些经验值得分享。然后还能从黑色的Actor-Critic这边再次获取综合考量所有副本经验后的通关秘籍。这样一来一回就形成了一种有效率的强化学习方式。
目前的计算机多半是双核,4核,甚至6核,8核。一般的学习方法,只能让机器人在一个核上面玩耍。但是如果使用A3C的方法,我们可以给他们安排去不同的核,并行运算。实验结果就是,这样的计算方式往往比传统的方式快上好多倍。
2 Asynchronous Advantage Actor-Critic (A3C)详解
2.1 要点
一句话概括A3C:Google DeepMind 提出的一种解决Actor-Critic不收敛问题的算法。它会创建多个并行的环境,让多个拥有副结构的agent同时在这些并行环境上更新主结构中的参数。并行中的agent们互不干扰,而主结构的参数更新收到副结构提交更新的不连续性干扰,所以更新的相关性被降低,收敛性提高。
2.2 算法
A3C的算法实际上就是将Actor-Critic放在了多个线程中进行同步训练。可以想象成几个人同时在玩一样的游戏,而他们玩游戏的经验都会同步上传的一个中央大脑。然后他们又从中央大脑中获取最新的玩游戏方法。
这样,对于这几个人,他们的好处是:中央大脑汇集了所有人的经验,是最会玩游戏的一个,他们能时不时获取到中央大脑的必杀招,用在自己的场景中。
对于中央大脑的好处是:中央大脑最怕一个人的连续性更新,不只基于一个人推送更新这种方式能打消这种连续性。使中央大脑不必有用像DQN,DDPG那样的记忆库也能很好的更新。
为了达到这个目的,我们要有两套体系,可以看作中央大脑拥有global net和他的参数,每位玩家有一个gobal net的副本local net,可以定时向global net推送更新,然后定时从glabal net那获取综合版的更新。
如果在tensorboard中查看我们要建立的体系:
w_0就是第0个worker,每个worker都可以分享global_net。
如果调用sync中的pull,这个worker就会从global_net中获取到最新的参数。
如果我们调用sync中的push,这个worker就会将自己的个人更新推送去global_net。
2.3 主结构
我们用Tensorflow搭建神经网络,对于我们的Actor,tensorboard中可以看清晰的看到我们是如何搭建的:
我们使用了Normal distribution 来选择动作,所以在搭建神经网络的时候,actor这边要输出动作的均值和方差。然后放入Normal distribution去选择动作。计算actor loss的时候我们还需要使用到critic提供的TD error作为gradient ascent 的导向。
critic很简单那,只需要得到他对于state的价值就好了,用于计算TD error。
2.4 Actor-Critic网络
我们将Actor和Critic合并成一整套系统,这样方便运行。
# 这个 class 可以被调用生成一个 global net.
# 也能被调用生成一个 worker 的 net, 因为他们的结构是一样的,
# 所以这个 class 可以被重复利用.
class ACNet(object):
def __init__(self, globalAC=None):
# 当创建 worker 网络的时候, 我们传入之前创建的 globalAC 给这个 worker
if 这是 global: # 判断当下建立的网络是 local 还是 global
with tf.variable_scope('Global_Net'):
self._build_net()
else:
with tf.variable_scope('worker'):
self._build_net()
# 接着计算 critic loss 和 actor loss
# 用这两个 loss 计算要推送的 gradients
with tf.name_scope('sync'): # 同步
with tf.name_scope('pull'):
# 更新去 global
with tf.name_scope('push'):
# 获取 global 参数
def _build_net(self):
# 在这里搭建 Actor 和 Critic 的网络
return 均值, 方差, state_value
def update_global(self, feed_dict):
# 进行 push 操作
def pull_global(self):
# 进行 pull 操作
def choose_action(self, s):
# 根据 s 选动作
这些是在创建网络,worker还有属于自己的class,用来执行在每个线程里的工作。
2.5 Worker
每个woeker都有自己的class,class里面有他的工作内容work
class Worker(object):
def __init__(self, name, globalAC):
self.env = gym.make(GAME).unwrapped # 创建自己的环境
self.name = name # 自己的名字
self.AC = ACNet(name, globalAC) # 自己的 local net, 并绑定上 globalAC
def work(self):
# s, a, r 的缓存, 用于 n_steps 更新
buffer_s, buffer_a, buffer_r = [], [], []
while not COORD.should_stop() and GLOBAL_EP < MAX_GLOBAL_EP:
s = self.env.reset()
for ep_t in range(MAX_EP_STEP):
a = self.AC.choose_action(s)
s_, r, done, info = self.env.step(a)
buffer_s.append(s) # 添加各种缓存
buffer_a.append(a)
buffer_r.append(r)
# 每 UPDATE_GLOBAL_ITER 步 或者回合完了, 进行 sync 操作
if total_step % UPDATE_GLOBAL_ITER == 0 or done:
# 获得用于计算 TD error 的 下一 state 的 value
if done:
v_s_ = 0 # terminal
else:
v_s_ = SESS.run(self.AC.v, {
self.AC.s: s_[np.newaxis, :]})[0, 0]
buffer_v_target = [] # 下 state value 的缓存, 用于算 TD
for r in buffer_r[::-1]: # 进行 n_steps forward view
v_s_ = r + GAMMA * v_s_
buffer_v_target.append(v_s_)
buffer_v_target.reverse()
buffer_s, buffer_a, buffer_v_target = np.vstack(buffer_s), np.vstack(buffer_a), np.vstack(buffer_v_target)
feed_dict = {
self.AC.s: buffer_s,
self.AC.a_his: buffer_a,
self.AC.v_target: buffer_v_target,
}
self.AC.update_global(feed_dict) # 推送更新去 globalAC
buffer_s, buffer_a, buffer_r = [], [], [] # 清空缓存
self.AC.pull_global() # 获取 globalAC 的最新参数
s = s_
if done:
GLOBAL_EP += 1 # 加一回合
break # 结束这回合
2.6 Worker并行工作
这里是真正的重点,Worker的并行计算。
with tf.device("/cpu:0"):
GLOBAL_AC = ACNet(GLOBAL_NET_SCOPE) # 建立 Global AC
workers = []
for i in range(N_WORKERS): # 创建 worker, 之后在并行
workers.append(Worker(GLOBAL_AC)) # 每个 worker 都有共享这个 global AC
COORD = tf.train.Coordinator() # Tensorflow 用于并行的工具
worker_threads = []
for worker in workers:
job = lambda: worker.work()
t = threading.Thread(target=job) # 添加一个工作线程
t.start()
worker_threads.append(t)
COORD.join(worker_threads) # tf 的线程调度
文章来源:莫凡强化学习https://mofanpy.com/tutorials/machine-learning/reinforcement-learning/