PyTorch 深度学习实战（14）：Deep Deterministic Policy Gradient (DDPG)
在上一篇文章中，我们介绍了 Proximal Policy Optimization (PPO) 算法，并利用它解决了 CartPole 题目。本文将深入探究 Deep Deterministic Policy Gradient (DDPG) 算法，这是一种用于连续动作空间的强化学习算法。我们将利用 PyTorch 实现 DDPG 算法，并应用于经典的 Pendulum 题目。一、DDPG 算法基础
DDPG 是一种基于 Actor-Critic 框架的算法，专门用于解决连续动作空间的强化学习题目。它结合了深度 Q 网络（DQN）和策略梯度方法的长处，能够高效地处置惩罚高维状态和动作空间。
1. DDPG 的核心思想
[*] 确定性策略：
[*] DDPG 利用确定性策略（Deterministic Policy），即给定状态时，策略网络直接输出一个确定的动作，而不是动作的概率分布。
[*] 目的网络：
[*] DDPG 利用目的网络（Target Network）来稳定训练过程，类似于 DQN 中的目的网络。
[*] 经验回放：
[*] DDPG 利用经验回放缓冲区（Replay Buffer）来存储和重用已往的经验，从而提高数据利用率。
2. DDPG 的上风
[*] 实用于连续动作空间：
[*] DDPG 能够直接输出连续动作，实用于机器人控制、主动驾驶等使命。
[*] 训练稳定：
[*] 通过目的网络和经验回放，DDPG 能够稳定地训练策略网络和价值网络。
[*] 高效采样：
[*] DDPG 可以重复利用旧策略的采样数据，从而提高数据利用率。
3. DDPG 的算法流程
[*] 利用当前策略采样一批数据。
[*] 利用目的网络计算目的 Q 值。
[*] 更新 Critic 网络以最小化 Q 值的偏差。
[*] 更新 Actor 网络以最大化 Q 值。
[*] 更新目的网络。
[*] 重复上述过程，直到策略收敛。
二、Pendulum 题目实战
我们将利用 PyTorch 实现 DDPG 算法，并应用于 Pendulum 题目。目的是控制摆杆使其保持竖立。
1. 题目形貌
Pendulum 环境的状态空间包括摆杆的角度和角速度。动作空间是一个连续的扭矩值，范围在 −2,2 之间。智能体每保持摆杆竖立一步，就会获得一个负的奖励，目的是最大化累积奖励。
2. 实现步调
[*] 安装并导入必要的库。
[*] 定义 Actor 网络和 Critic 网络。
[*] 定义 DDPG 训练过程。
[*] 测试模型并评估性能。
3. 代码实现
以下是完备的代码实现：
import gym
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import numpy as np
import random
from collections import deque
import matplotlib.pyplot as plt
# 设置 Matplotlib 支持中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 检查 GPU 是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")
# 环境初始化
env = gym.make('Pendulum-v1')
state_dim = env.observation_space.shape
action_dim = env.action_space.shape
max_action = float(env.action_space.high)
# 随机种子设置
SEED = 42
torch.manual_seed(SEED)
np.random.seed(SEED)
random.seed(SEED)
# 定义 Actor 网络
class Actor(nn.Module):
def __init__(self, state_dim, action_dim, max_action):
super(Actor, self).__init__()
self.fc1 = nn.Linear(state_dim, 512)
self.ln1 = nn.LayerNorm(512)# 层归一化
self.fc2 = nn.Linear(512, 512)
self.ln2 = nn.LayerNorm(512)
self.fc3 = nn.Linear(512, action_dim)
self.max_action = max_action
def forward(self, x):
x = F.relu(self.ln1(self.fc1(x)))
x = F.relu(self.ln2(self.fc2(x)))
return self.max_action * torch.tanh(self.fc3(x))
# 定义 Critic 网络
class Critic(nn.Module):
def __init__(self, state_dim, action_dim):
super(Critic, self).__init__()
self.fc1 = nn.Linear(state_dim + action_dim, 256)
self.fc2 = nn.Linear(256, 256)
self.fc3 = nn.Linear(256, 1)
def forward(self, x, u):
x = F.relu(self.fc1(torch.cat(, 1)))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
# 添加OU噪声类
class OUNoise:
def __init__(self, action_dim, mu=0, theta=0.15, sigma=0.2):
self.mu = mu * np.ones(action_dim)
self.theta = theta
self.sigma = sigma
self.reset()
def reset(self):
self.state = np.copy(self.mu)
def sample(self):
dx = self.theta * (self.mu - self.state) + self.sigma * np.random.randn(len(self.state))
self.state += dx
return self.state
# 定义 DDPG 算法
class DDPG:
def __init__(self, state_dim, action_dim, max_action):
self.actor = Actor(state_dim, action_dim, max_action).to(device)
self.actor_target = Actor(state_dim, action_dim, max_action).to(device)
self.actor_target.load_state_dict(self.actor.state_dict())
self.actor_optimizer = optim.Adam(self.actor.parameters(), lr=1e-4)
self.critic = Critic(state_dim, action_dim).to(device)
self.critic_target = Critic(state_dim, action_dim).to(device)
self.critic_target.load_state_dict(self.critic.state_dict())
self.critic_optimizer = optim.Adam(self.critic.parameters(), lr=1e-3)
self.noise = OUNoise(action_dim, sigma=0.2)# 示例：Ornstein-Uhlenbeck噪声
self.max_action = max_action
self.replay_buffer = deque(maxlen=1000000)
self.batch_size = 64
self.gamma = 0.99
self.tau = 0.005
self.noise_sigma = 0.5# 初始噪声强度
self.noise_decay = 0.995
self.actor_lr_scheduler = optim.lr_scheduler.StepLR(self.actor_optimizer, step_size=100, gamma=0.95)
self.critic_lr_scheduler = optim.lr_scheduler.StepLR(self.critic_optimizer, step_size=100, gamma=0.95)
def select_action(self, state):
state = torch.FloatTensor(state).unsqueeze(0).to(device)
self.actor.eval()
with torch.no_grad():
action = self.actor(state).cpu().data.numpy().flatten()
self.actor.train()
return action
def train(self):
if len(self.replay_buffer) < self.batch_size:
return
# 从经验回放缓冲区中采样
batch = random.sample(self.replay_buffer, self.batch_size)
state = torch.FloatTensor(np.array( for transition in batch])).to(device)
action = torch.FloatTensor(np.array( for transition in batch])).to(device)
reward = torch.FloatTensor(np.array( for transition in batch])).reshape(-1, 1).to(device)
next_state = torch.FloatTensor(np.array( for transition in batch])).to(device)
done = torch.FloatTensor(np.array( for transition in batch])).reshape(-1, 1).to(device)
# 计算目标 Q 值
next_action = self.actor_target(next_state)
target_Q = self.critic_target(next_state, next_action)
target_Q = reward + (1 - done) * self.gamma * target_Q
# 更新 Critic 网络
current_Q = self.critic(state, action)
critic_loss = F.mse_loss(current_Q, target_Q.detach())
self.critic_optimizer.zero_grad()
critic_loss.backward()
self.critic_optimizer.step()
# 更新 Actor 网络
actor_loss = -self.critic(state, self.actor(state)).mean()
self.actor_optimizer.zero_grad()
actor_loss.backward()
self.actor_optimizer.step()
# 更新目标网络
for param, target_param in zip(self.critic.parameters(), self.critic_target.parameters()):
target_param.data.copy_(self.tau * param.data + (1 - self.tau) * target_param.data)
for param, target_param in zip(self.actor.parameters(), self.actor_target.parameters()):
target_param.data.copy_(self.tau * param.data + (1 - self.tau) * target_param.data)
def save(self, filename):
torch.save(self.actor.state_dict(), filename + "_actor.pth")
torch.save(self.critic.state_dict(), filename + "_critic.pth")
def load(self, filename):
self.actor.load_state_dict(torch.load(filename + "_actor.pth"))
self.critic.load_state_dict(torch.load(filename + "_critic.pth"))
# 训练流程
def train_ddpg(env, agent, episodes=500):
rewards_history = []
moving_avg = []
for ep in range(episodes):
state,_ = env.reset()
episode_reward = 0
done = False
while not done:
action = agent.select_action(state)
next_state, reward, done, _, _ = env.step(action)
agent.replay_buffer.append((state, action, reward, next_state, done))
state = next_state
episode_reward += reward
agent.train()
rewards_history.append(episode_reward)
moving_avg.append(np.mean(rewards_history[-50:]))
if (ep + 1) % 50 == 0:
print(f"Episode: {ep + 1}, Avg Reward: {moving_avg[-1]:.2f}")
return moving_avg, rewards_history
# 训练启动
ddpg_agent = DDPG(state_dim, action_dim, max_action)
moving_avg, rewards_history = train_ddpg(env, ddpg_agent)
# 可视化结果
plt.figure(figsize=(12, 6))
plt.plot(rewards_history, alpha=0.6, label='single round reward')
plt.plot(moving_avg, 'r-', linewidth=2, label='moving average (50 rounds)')
plt.xlabel('episodes')
plt.ylabel('reward')
plt.title('DDPG training performance on Pendulum-v1')
plt.legend()
plt.grid(True)
plt.show() 三、代码剖析
[*] Actor 和 Critic 网络：
[*] Actor 网络输出连续动作，通过 tanh 函数将动作限制在 −max_action,max_action 范围内。
[*] Critic 网络输出状态-动作对的 Q 值。
[*] DDPG 训练过程：
[*] 利用当前策略采样一批数据。
[*] 利用目的网络计算目的 Q 值。
[*] 更新 Critic 网络以最小化 Q 值的偏差。
[*] 更新 Actor 网络以最大化 Q 值。
[*] 更新目的网络。
[*] 训练过程：
[*] 在训练过程中，每 50 个 episode 打印一次均匀奖励。
[*] 训练结束后，绘制训练过程中的总奖励曲线。
四、运行效果
运行上述代码后，你将看到以下输出：
[*] 训练过程中每 50 个 episode 打印一次均匀奖励。
[*] 训练结束后，绘制训练过程中的总奖励曲线。
https://i-blog.csdnimg.cn/direct/c5de95b923674aafa18e94d0b6b178ff.png
五、总结
本文介绍了 DDPG 算法的基本原理，并利用 PyTorch 实现了一个简单的 DDPG 模型来解决 Pendulum 题目。通过这个例子，我们学习了如何利用 DDPG 算法进行连续动作空间的策略优化。
在下一篇文章中，我们将探究更高级的强化学习算法，如 Twin Delayed DDPG (TD3)。敬请期待！
代码实例说明：
[*] 本文代码可以直接在 Jupyter Notebook 或 Python 脚本中运行。
[*] 如果你有 GPU，可以将模型和数据移动到 GPU 上运行，例如：actor = actor.to('cuda')，state = state.to('cuda')。
盼望这篇文章能资助你更好地理解 DDPG 算法！如果有任何题目，接待在评论区留言讨论。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]