【飞桨开发者说】秦浩然，沈阳人，毕业于东北大学。强化学习技术爱好者。传统软件开发领域的前浪，AI领域的后浪。
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：
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：
（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。
class ActorModel(parl.Model):
def __init__(self, act_dim):
hid1_size = 400
hid2_size = 300
self.fc1 = layers.fc(size=hid1_size, act='relu')
self.fc2 = layers.fc(size=hid2_size, act='relu')
self.mean_linear = layers.fc(size=act_dim)
self.log_std_linear = layers.fc(size=act_dim)
def policy(self, obs):
hid1 = self.fc1(obs)
hid2 = self.fc2(hid1)
means = self.mean_linear(hid2)
log_std = self.log_std_linear(hid2)
log_std = layers.clip(log_std, min=LOG_SIG_MIN, max=LOG_SIG_MAX)
return means, log_std
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。
class CriticModel(parl.Model):
def __init__(self):
hid1_size = 400
hid2_size = 300
self.fc1 = layers.fc(size=hid1_size, act='relu')
self.fc2 = layers.fc(size=hid2_size, act='relu')
self.fc3 = layers.fc(size=1, act=None)
self.fc4 = layers.fc(size=hid1_size, act='relu')
self.fc5 = layers.fc(size=hid2_size, act='relu')
self.fc6 = layers.fc(size=1, act=None)
def value(self, obs, act):
hid1 = self.fc1(obs)
concat1 = layers.concat([hid1, act], axis=1)
Q1 = self.fc2(concat1)
Q1 = self.fc3(Q1)
Q1 = layers.squeeze(Q1, axes=[1])
hid2 = self.fc4(obs)
concat2 = layers.concat([hid2, act], axis=1)
Q2 = self.fc5(concat2)
Q2 = self.fc6(Q2)
Q2 = layers.squeeze(Q2, axes=[1])
return Q1, Q2
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。
class MujocoAgent(parl.Agent):
def predict(self, obs):
obs = np.expand_dims(obs, axis=0)
act = self.fluid_executor.run(
self.pred_program, feed={'obs': obs},
fetch_list=[self.pred_act])[0]
return act
def sample(self, obs):
obs = np.expand_dims(obs, axis=0)
act = self.fluid_executor.run(
self.sample_program,
feed={'obs': obs},
fetch_list=[self.sample_act])[0]
return act
def learn(self, obs, act, reward, next_obs, terminal):
feed = {
'obs': obs,
'act': act,
'reward': reward,
'next_obs': next_obs,
'terminal': terminal
}
[critic_cost, actor_cost] = self.fluid_executor.run(
self.learn_program,
feed=feed,
fetch_list=[self.critic_cost, self.actor_cost])
self.alg.sync_target()
return critic_cost[0], actor_cost[0]
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：
actor = ActorModel(act_dim)
critic = CriticModel()
algorithm = parl.algorithms.SAC(
actor,
critic,
max_action=max_action,
gamma=GAMMA,
tau=TAU,
actor_lr=ACTOR_LR,
critic_lr=CRITIC_LR)
agent = MujocoAgent(algorithm, obs_dim, act_dim)
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。
from parl.utils import ReplayMemory
rpm = ReplayMemory(MEMORY_SIZE, obs_dim, act_dim)
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
import gym
然后，在main中创建月球着陆器环境
env = gym.make('LunarLanderContinuous-v2')
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
np.save('train_step_list', train_step_list)
np.save('train_reward_list', train_reward_list)
np.save('evaluate_step_list', evaluate_step_list)
np.save('evaluate_reward_list', evaluate_reward_list)
在Notebook文件中加入下面语句，输出可视化就做好了。
train_step_list = np.load('train_step_list.npy')
train_reward_list = np.load('train_reward_list.npy')
plt.figure()
plt.title('train reward')
plt.xlabel('step')
plt.ylabel('reward')
plt.plot(train_step_list, train_reward_list)
plt.grid()
plt.show()
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：
aistudio.baidu.com/aistudio/pr…
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。
