【论文系列】PPO知识点梳理 (尽我可能细致通俗理解！）

零、题记

这篇博客一方面为了记录当前的知识点，另一方面PPO算法实在是太重要了，不但要从理论上理解它到底是怎样实现的，还需要从代码方面进行学习和记录，这里我就通俗的将这个知识点进行简单的记录，用来日后我自己的巩固和大家的交流学习。

下面均是我自己个人见解，如有不对之处，欢迎评论区指出错误！

一. PPO背景引入

这里简要交代PPO的算法原理及思想过程，主要记录自己的笔记，记录比较详细，可以查看，后面代码会紧紧贴合前面的内容，并且会再次提到一些细节。

 好到这里就是PPO的基本思想和RL的前期铺垫工作

二 代码理解

代码选择的是 动手学强化学习

下面我将逐一刨析整个代码的全部过程，之后大家可以将这些过程迁移到Issac Gym中进行学习和思考。

1 task_PPO.py文件

点击查看代码

import gym
import torch
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt
import rl_utils

class PolicyNet(torch.nn.Module):
    def __init__(self, state_dim, hidden_dim, action_dim):
        super(PolicyNet, self).__init__()
        self.fc1 = torch.nn.Linear(state_dim, hidden_dim)
        self.fc2 = torch.nn.Linear(hidden_dim, action_dim)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        return F.softmax(self.fc2(x), dim=1)

class ValueNet(torch.nn.Module):
    def __init__(self, state_dim, hidden_dim):
        super(ValueNet, self).__init__()
        self.fc1 = torch.nn.Linear(state_dim, hidden_dim)
        self.fc2 = torch.nn.Linear(hidden_dim, 1)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        return self.fc2(x)

class PPO:
    ''' PPO算法,采用截断方式 '''
    def __init__(self, state_dim, hidden_dim, action_dim, actor_lr, critic_lr,
                 lmbda, epochs, eps, gamma, device):
        self.actor = PolicyNet(state_dim, hidden_dim, action_dim).to(device)
        self.critic = ValueNet(state_dim, hidden_dim).to(device)
        self.actor_optimizer = torch.optim.Adam(self.actor.parameters(),
                                                lr=actor_lr)
        self.critic_optimizer = torch.optim.Adam(self.critic.parameters(),
                                                 lr=critic_lr)
        self.gamma = gamma
        self.lmbda = lmbda
        self.epochs = epochs  # 一条序列的数据用来训练轮数
        self.eps = eps  # PPO中截断范围的参数
        self.device = device

    def take_action(self, state):
        state = torch.tensor([state], dtype=torch.float).to(self.device)
        probs = self.actor(state)
        action_dist = torch.distributions.Categorical(probs)
        action = action_dist.sample()
        return action.item()

    def update(self, transition_dict):
        states = torch.tensor(transition_dict['states'],
                              dtype=torch.float).to(self.device)
        actions = torch.tensor(transition_dict['actions']).view(-1, 1).to(
            self.device)
        rewards = torch.tensor(transition_dict['rewards'],
                               dtype=torch.float).view(-1, 1).to(self.device)
        next_states = torch.tensor(transition_dict['next_states'],
                                   dtype=torch.float).to(self.device)
        dones = torch.tensor(transition_dict['dones'],
                             dtype=torch.float).view(-1, 1).to(self.device)
        td_target = rewards + self.gamma * self.critic(next_states) * (1 -
                                                                       dones)
        td_delta = td_target - self.critic(states)
        advantage = rl_utils.compute_advantage(self.gamma, self.lmbda,
                                               td_delta.cpu()).to(self.device)
        old_log_probs = torch.log(self.actor(states).gather(1,
                                                            actions)).detach()

        for _ in range(self.epochs):
            log_probs = torch.log(self.actor(states).gather(1, actions))
            ratio = torch.exp(log_probs - old_log_probs)
            surr1 = ratio * advantage
            surr2 = torch.clamp(ratio, 1 - self.eps,
                                1 + self.eps) * advantage  # 截断
            actor_loss = torch.mean(-torch.min(surr1, surr2))  # PPO损失函数
            critic_loss = torch.mean(
                F.mse_loss(self.critic(states), td_target.detach()))
            self.actor_optimizer.zero_grad()
            self.critic_optimizer.zero_grad()
            actor_loss.backward()
            critic_loss.backward()
            self.actor_optimizer.step()
            self.critic_optimizer.step()

if __name__ == "__main__":
    #初始化参数
    actor_lr = 1e-3
    critic_lr = 1e-2
    num_episodes = 500
    hidden_dim = 128
    gamma = 0.98
    lmbda = 0.95
    epochs = 10
    eps = 0.2
    device = torch.device("cpu")
    env_name = "CartPole-v1"
    env = gym.make(env_name)
    env.reset(seed=0)
    torch.manual_seed(0)
    state_dim = env.observation_space.shape[0]
    action_dim = env.action_space.n
    #初始化智能体
    agent = PPO(state_dim, hidden_dim, action_dim, actor_lr, critic_lr, lmbda,
                epochs, eps, gamma, device)
    #开始训练
    return_list = rl_utils.train_on_policy_agent(env, agent, num_episodes)

    episodes_list = list(range(len(return_list)))
    plt.plot(episodes_list, return_list)
    plt.xlabel('Episodes')
    plt.ylabel('Returns')
    plt.title('PPO on {}'.format(env_name))
    plt.show()

    mv_return = rl_utils.moving_average(return_list, 9)
    plt.plot(episodes_list, mv_return)
    plt.xlabel('Episodes')
    plt.ylabel('Returns')
    plt.title('PPO on {}'.format(env_name))
    plt.show()

2 rl_utils.py文件

点击查看代码

from tqdm import tqdm
import numpy as np
import torch
import collections
import random

class ReplayBuffer:
    def __init__(self, capacity):
        self.buffer = collections.deque(maxlen=capacity)

    def add(self, state, action, reward, next_state, done):
        self.buffer.append((state, action, reward, next_state, done))

    def sample(self, batch_size):
        transitions = random.sample(self.buffer, batch_size)
        state, action, reward, next_state, done = zip(*transitions)
        return np.array(state), action, reward, np.array(next_state), done

    def size(self):
        return len(self.buffer)

def moving_average(a, window_size):
    cumulative_sum = np.cumsum(np.insert(a, 0, 0))
    middle = (cumulative_sum[window_size:] - cumulative_sum[:-window_size]) / window_size
    r = np.arange(1, window_size - 1, 2)
    begin = np.cumsum(a[:window_size - 1])[::2] / r
    end = (np.cumsum(a[:-window_size:-1])[::2] / r)[::-1]
    return np.concatenate((begin, middle, end))

def train_on_policy_agent(env, agent, num_episodes):
    return_list = []
    for i in range(10):
        with tqdm(total=int(num_episodes / 10), desc='Iteration %d' % i) as pbar:
            for i_episode in range(int(num_episodes / 10)):
                episode_return = 0
                transition_dict = {'states': [], 'actions': [], 'next_states': [], 'rewards': [], 'dones': []}
                state = env.reset()
                done = False
                while not done:
                    action = agent.take_action(state)
                    next_state, reward, done, _ = env.step(action)
                    transition_dict['states'].append(state)
                    transition_dict['actions'].append(action)
                    transition_dict['next_states'].append(next_state)
                    transition_dict['rewards'].append(reward)
                    transition_dict['dones'].append(done)
                    state = next_state
                    episode_return += reward
                return_list.append(episode_return)
                agent.update(transition_dict)
                if (i_episode + 1) % 10 == 0:
                    pbar.set_postfix({'episode': '%d' % (num_episodes / 10 * i + i_episode + 1),
                                      'return': '%.3f' % np.mean(return_list[-10:])})
                pbar.update(1)
    return return_list

def train_off_policy_agent(env, agent, num_episodes, replay_buffer, minimal_size, batch_size):
    return_list = []
    for i in range(10):
        with tqdm(total=int(num_episodes / 10), desc='Iteration %d' % i) as pbar:
            for i_episode in range(int(num_episodes / 10)):
                episode_return = 0
                state = env.reset()
                done = False
                while not done:
                    action = agent.take_action(state)
                    next_state, reward, done, _ = env.step(action)
                    replay_buffer.add(state, action, reward, next_state, done)
                    state = next_state
                    episode_return += reward
                    if replay_buffer.size() > minimal_size:
                        b_s, b_a, b_r, b_ns, b_d = replay_buffer.sample(batch_size)
                        transition_dict = {'states': b_s, 'actions': b_a, 'next_states': b_ns, 'rewards': b_r,
                                           'dones': b_d}
                        agent.update(transition_dict)
                return_list.append(episode_return)
                if (i_episode + 1) % 10 == 0:
                    pbar.set_postfix({'episode': '%d' % (num_episodes / 10 * i + i_episode + 1),
                                      'return': '%.3f' % np.mean(return_list[-10:])})
                pbar.update(1)
    return return_list

def compute_advantage(gamma, lmbda, td_delta):
    td_delta = td_delta.detach().numpy()
    advantage_list = []
    advantage = 0.0
    for delta in td_delta[::-1]:
        advantage = gamma * lmbda * advantage + delta
        advantage_list.append(advantage)
    advantage_list.reverse()
    return torch.tensor(advantage_list, dtype=torch.float)

3 开始刨析

（1）先从主函数运行开始，其他的遇到了我们再来分析

首先是对函数的一些变量进行初始化，都包括Adam优化器的学习率，episode的长度，隐藏层的维数，奖励函数的系数\(\gamma\)值，GAE的\(\lambda\)值，epoch的长度（表示一条序列数据用来训练的轮数），eps表示PPO中截断范围clip函数的参数，device是什么设备（源代码是cuda，这里大家可以更改下，因为我是用cpu跑的），然后下面的就是代码的一些初始化了，我这里不再赘述。



这哥俩就表述的是前者是观测值的数量（比如读取的电机的角度、力矩、电机速度、欧拉角、线速度等），后者是动作空间的数量（比如输出的电机的角度，一只A1有12个电机，那么输出的action的维数就是12，代表着每一个电机最后应该转多少角度）

（2）初始化智能体

这时我们调用PPO函数，然后我们来看一下PPO函数具体都干了些什么。（这里就是起了这个名字，不要误会它在这个函数里把所有PPO算法都i实现了）

这个地方就是对PPO算法的实现了。我们下面一步一步来看。

a.第一个地方

就是对Actor-Critic算法的复现，定义了两个神经网络，这两个神经网络具体长什么样子呢？我们来看看：

PolicyNet是Actor，相当于前面我们提到的Policy Improvement,简称PI，是策略改善的网络，最终我们希望输入一个状态，我们就知道该使用什么样子的action，黑盒明白吧。

ValueNet是Critic，对Actor的动作做评估，进而更新state value或者action value的值。网络结构我也大致画一下：



其实也就相当于前面去掉了softmax，至于为什么呢？

你看哈，actor网络的作用是选择一个动作进行输出，所以我们使用softmax进行分类，理论上选择让累计奖励更大的动作作为较大概率的输出（greedy action)，所以这里用了一个分类器。

b.第二个地方

由于需要对两个网络进行反向传播，所以这里定义了两个Adam优化器进行。

普通咱一般用的是这种：

Adam优化器是这样子：（如果比较感兴趣的话，这篇博客个人感觉讲的比较好！）

代码里的lr就是咱前面提到的学习率，一般都是10的负几次方。

c.第三个地方就没啥说的了

（3）开始训练

转到对应的函数文件



可以说这个函数是这个代码最核心的部分，也是PPO算法最核心的部分。

a.

首先循环10次，每一轮咱训练50个episodes，一个episode就包含着很多个\(<state,action>\)对,最后10x50等于500。num_episodes = 500

然后是用tqdm定义一个进度条（这个不是重点）

初始化变量\(transition_dict\)，这个变量包含5个值：现在的状态states,执行的动作actions，执行完到下一个时刻的状态next_states，奖励函数rewards，以及这一时刻执行完的结束标志done(结束为1，否则为0，记住后面代码里要用到)

b.

接着上面的代码再继续分析

i)take actions

可以看到首先将输入的state转换为tensor，然后因为actor网络的最后一层是softmax函数，所以通过actor网络输出两个执行两个动作可能性的大小，然后通过action_dist = torch.distributions.Categorical(probs) action = action_dist.sample()根据可能性大小进行采样最后得到这次选择动作1进行返回。

ii)env.step(action)

按照采取的动作，和环境进行交互，返回到达下一时刻状态的值、奖励函数以及一个episode是否到达最大长度episode_max的结束标志done。

这个长度是在这里定义的：

iii)transition_dist

然后将这些返回的值装进这个字典里面，有点像replay buffer我个人感觉。

然后更新下一时刻的状态值，这个episode的奖励函数也将累加episode_return += reward

然后通过return_list.append(episode_return)记录下这一整个episode的总的累计奖励R

iv)agent.update(...)

agent.update(transition_dict)到了这个函数。

这个函数说明了我们如何利用这些变量进行更新呢？

首先先从transition_dict取出变量存入tsnsor中便于计算

然后定义了TD Target：





然后是TD error





最后这俩就一起说了



前一个是计算GAE

advantage表示的是某状态下采取某动作的优势值，也就是咱前面提到的PPO算法公式中的A：





old_log_probs则表示的是旧策略下某个状态下采取某个动作的概率值的对数值。对应下面PPO算法公式中的clip函数中分母:



然后这个函数下面就老有意思了：



首先第一部分： log_probs = torch.log(self.actor(states).gather(1, actions))

求对数值，然后下面新旧相减：

ratio = torch.exp(log_probs - old_log_probs)

这不就是\(e^{ln(a-b)} = \frac{b}{a}嘛\)



就是在计算这个：

然后下面的surr1和surr2起初我也看不懂，后来看看算法自然而然就明白是干嘛的了：



这个其实就是用前面的ratio相乘来作为下图的两个值



这其实就已经写完了actor的损失函数了，也就是策略的损失函数了。至于critic的损失函数，是求td target和critic(states)的MSE,均方误差。



然后清零adam，梯度反向传播，更新。。

接下来我们就要进入一个循环中，循环epoch=10次进行参数的神经网络参数的更新，每一次相当于收集了50个episodes。

c.

                if (i_episode + 1) % 10 == 0:
                    pbar.set_postfix({'episode': '%d' % (num_episodes / 10 * i + i_episode + 1),
                                      'return': '%.3f' % np.mean(return_list[-10:])})
                pbar.update(1)

更新进度条，跟咱要学的PPO没关系。

d.

return return_list返回这个奖励函数表。

（4）记录

大家可能对整个流程比较糊涂，这里简单的做一个梳理：

下面引用自其他佬的博客：

三、Acknowledge

感谢这些大佬的博客和思路理解：

鸣谢1

鸣谢2

鸣谢3