深度强化学习-TD3算法原理与代码
深度强化学习-TD3算法原理与代码
引言
Twin Delayed Deep Deterministic policy gradient (TD3)是由Scott Fujimoto等人在Deep Deterministic Policy Gradient (DDPG)算法上改进得到的一种用于解决连续控制问题的在线(on-line)异策(off-policy)式深度强化学习算法。本质上，TD3算法就是将Double Q-Learning算法的思想融入到DDPG算法中。前面我们已经分别介绍过DDPG算法和Double DQN算法的原理并进行了代码实现，有兴趣的小伙伴可以先去看一下，之后再来看本文应该就能很容易理解。本文就带领大家了解一下TD3算法的具体原理，并采用Pytorch进行实现，论文和代码的链接见下方。
论文：http://proceedings.mlr.press/v80/fujimoto18a/fujimoto18a.pdf
代码：https://github.com/indigoLovee/TD3
1 TD3算法简介
之前我们在讲Double DQN算法时就曾分析过Deep Q-Learning (DQN)算法存在高估问题，而DDPG算法是从DQN算法进化得到，因此它也存在一样的问题。为此，TD3算法就很自然地被提出，主要解决DDPG算法的高估问题。
TD3算法也是Actor-Critic (AC)框架下的一种确定性深度强化学习算法，它结合了深度确定性策略梯度算法和双重Q学习，在许多连续控制任务上都取得了不错的表现。
2 TD3算法原理
TD3算法在DDPG算法的基础上，提出了三个关键技术：
（1）双重网络 (Double network)：采用两套Critic网络，计算目标值时取二者中的较小值，从而抑制网络过估计问题。
（2）目标策略平滑正则化 (Target policy smoothing regularization)：计算目标值时，在下一个状态的动作上加入扰动，从而使得价值评估更准确。
（3）延迟更新 (Delayed update)：Critic网络更新多次后，再更新Actor网络，从而保证Actor网络的训练更加稳定。
2.1 双重网络
TD3算法中包括六个网络，分别是Actor网络，Critic1网络
，Critic2网络
，Target Actor网络
，Target Critic1网络
，Target Critic2网络
。相较于DDPG算法，TD3算法多了一套Critic网络，这就是双重网络的由来。本节首先分析网络过估计的成因，然后引入双重网络，最后介绍算法的更新过程。
2.1.1 网络过估计的成因
DQN算法的高估主要来源于两个方面：自举 (Bootstrapping)和最大化，DDPG算法也是如此。之前我们在讲DDPG算法时曾强调，如果高估是均匀的，对于智能体最终的决策不会带来影响；如果是非均匀的，对于智能体最终的决策会带来显著影响。然而实际上网络的高估通常是非均匀的，这里简单分析一下原因。
在更新Critic网络时，假设从经验池中采样的数据为。首先我们会计算目标
由于网络高估，因此
其中， 表示状态动作对
真实的最优状态动作价值。
接着我们会让逼近
，从而使得
出现过估计，即
其中， 表示状态动作对
真实的最优状态动作价值。
每次采样状态动作对来对Critic网络进行更新时，就会让网络高估
的状态动作价值，而
在经验池中的频率显然是不均匀的。如果出现的频率越高，那么高估就越严重。因此，网络的高估是非均匀的，而非均匀的高估对智能体的决策有害，因此我们需要避免网络高估。
2.1.2 双重网络的引入
DDPG算法采用目标网络解决了自举问题，有兴趣的小伙伴可以看一下我的那篇博文，里面详细分析了自举问题带来的危害，以及目标网络是如何解决自举问题的，这里就不再赘述了。但是，除了自举以外，最大化也是造成过估计的重要原因，因此要想彻底解决网络过估计，还需要解决最大化问题。这里简单分析一下为什么最大化会造成网络过估计。
假设
为观测到的真实值，在其中加入均值为0的随机噪声，得到
。由于噪声的均值为0，因此满足
但是随机噪声会让最大值变大，即
同理， 随机噪声会让最小值变小，即
这三个公式都可以被证明出来，这里就不给大家证明了。
回到DQN算法的高估问题，假设每个状态动作对的真实状态动作价值为。Q网络的估计会存在一定噪声，不妨假设是无偏估计，那么估计出的状态动作价值为
。由于噪声的均值为0，因此满足
是一种典型的高估，即
我们在计算目标值时，会执行
，由于
高估，因此目标值
也会高估。网络更新时我们会将
逼近
，由于
高估，因此
就会出现高估。
总结起来就是，最大化操作会使得网络的估计值大于真实值，从而造成网络过估计。
双重网络是解决最大化问题的有效方法。在TD3算法中，作者引入了两套相同网络架构的Critic网络。计算目标值时，会利用二者间的较小值来估计下一个状态动作对的状态动作价值，即
从而可以有效避免最大化问题带来的高估。这时可能会有小伙伴比较疑惑，取两个网络之间的较小值会不会不太稳妥？如果用多个网络，然后取它们中的最小值会不会更好呢？其实有实验证明采用两个网络就可以了，多个网络不会带来明显的性能提升。
2.2 目标策略平滑正则化
确定性策略存在一个问题：它会过度拟合以缩小价值估计中的峰值。当更新Critic网络时，使用确定性策略的学习目标极易受到函数逼近误差的影响，从而导致目标估计的方差大，估计值不准确。这种诱导方差可以通过正则化来减少，因此作者模仿SARSA的学习更新，引入了一种深度价值学习的正则化策略——目标策略平滑。
这种方法主要强调：类似的行动应该具有类似的价值。虽然函数近似隐式地实现了这一点，但可以通过修改训练过程显示地强调类似动作之间的关系。具体的实现是利用目标动作周围的区域来计算目标值，从而有利于平滑估计值
在实际操作时，我们可以通过向目标动作中添加少量随机噪声，并在小批量中求平均值，来近似动作的期望。因此，上式可以修改为
其中，我们添加的噪声是服从正态分布的，并且对采样的噪声做了裁剪，以保持目标接近原始动作。直观的说，采用这种方法得出的策略往往更加安全，因为它们为抵抗干扰的动作提供了更高的价值。说了这么多可能不是特别容易理解，不妨来看两张图。
假设上图为Critic网络估计的Q值曲面。这里我们直接采用来估计
，因此方差会很大，不利于网络训练。
这次我们采用状态动作对的邻域来估计
，从而可以极大地降低方差，提高目标值估计的准确性，保证网络训练过程的稳定。
2.3 延迟更新
这里的延迟更新指的是Actor网络的延迟更新，即Critic网络更新多次之后再对Actor网络进行更新。这个想法其实是非常直观的，因为Actor网络是通过最大化累积期望回报来更新的，它需要利用Critic网络来进行评估。如果Critic网络非常不稳定，那么Actor网络自然也会出现震荡。
因此，我们可以让Critic网络的更新频率高于Actor网络，即等待Critic网络更加稳定之后再来帮助Actor网络更新。
3 TD3算法更新过程
TD3算法的更新过程与DDPG算法的更新过程差别不大，主要区别在于目标值的计算方式（2.1.2节已经给出）。其中Actor网络通过最大化累积期望回报来更新（确定性策略梯度），Critic1和Critic2网络都是通过最小化评估值与目标值之间的误差来更新（MSE），所有的目标网络都采用软更新的方式来更新（Exponential Moving Average, EMA）。在训练阶段，我们从Replay Buffer中采样一个批次 (Batch size) 的数据，假设采样到的一条数据为，所有网络的更新过程如下。
Critic1和Critic2网络更新过程：利用Target Actor网络计算出状态下的动作
然后基于目标策略平滑正则化，再目标动作上加入噪声
接着基于双重网络的思想，计算目标值
最后利用梯度下降算法最小化评估值和目标值之间的误差，从而对Critic1和Critic2网络中的参数进行更新
Actor网络更新过程：(在Ctitic1和Critic2网络更新 步之后，启动Actor网络更新) 利用Actor网络计算出状态
下的动作
这里需要注意：计算出动作后不需要加入噪声，因为这里是希望Actor网络能够朝着最大值方向更新，加入噪声没有任何意义。然后利用Critic1或者Critic2网络来计算状态动作对的评估值，这里我们假定使用Critic1网络
最后采用梯度上升算法最大化，从而完成对Actor网络的更新。
注：这里我们之所以可以使用Critic1和Critic2两者中的任何一个来计算Q值，我觉得主要是因为Actor网络的目的就在于最大化累积期望回报，没有必要使用最小值。
目标网络的更新过程：采用软更新方式对目标网络进行更新。引入一个学习率（或者成为动量），将旧的目标网络参数和新的对应网络参数做加权平均，然后赋值给目标网络
学习率（动量），通常取值0.005。
4 TD3算法伪代码
5 PyTorch代码实现
Replay Buffer的代码实现（buffer.py）:
import numpy as np
class ReplayBuffer:
def __init__(self, max_size, state_dim, action_dim, batch_size):
self.mem_size = max_size
self.batch_size = batch_size
self.mem_cnt = 0
self.state_memory = np.zeros((max_size, state_dim))
self.action_memory = np.zeros((max_size, action_dim))
self.reward_memory = np.zeros((max_size, ))
self.next_state_memory = np.zeros((max_size, state_dim))
self.terminal_memory = np.zeros((max_size, ), dtype=np.bool)
def store_transition(self, state, action, reward, state_, done):
mem_idx = self.mem_cnt % self.mem_size
self.state_memory[mem_idx] = state
self.action_memory[mem_idx] = action
self.reward_memory[mem_idx] = reward
self.next_state_memory[mem_idx] = state_
self.terminal_memory[mem_idx] = done
self.mem_cnt += 1
def sample_buffer(self):
mem_len = min(self.mem_cnt, self.mem_size)
batch = np.random.choice(mem_len, self.batch_size, replace=False)
states = self.state_memory[batch]
actions = self.action_memory[batch]
rewards = self.reward_memory[batch]
states_ = self.next_state_memory[batch]
terminals = self.terminal_memory[batch]
return states, actions, rewards, states_, terminals
def ready(self):
return self.mem_cnt >= self.batch_sizeActor和Critic网络的代码实现（networks.py）:
import torch as T
import torch.nn as nn
import torch.optim as optim
device = T.device("cuda:0" if T.cuda.is_available() else "cpu")
class ActorNetwork(nn.Module):
def __init__(self, alpha, state_dim, action_dim, fc1_dim, fc2_dim):
super(ActorNetwork, self).__init__()
self.fc1 = nn.Linear(state_dim, fc1_dim)
self.ln1 = nn.LayerNorm(fc1_dim)
self.fc2 = nn.Linear(fc1_dim, fc2_dim)
self.ln2 = nn.LayerNorm(fc2_dim)
self.action = nn.Linear(fc2_dim, action_dim)
self.optimizer = optim.Adam(self.parameters(), lr=alpha)
self.to(device)
def forward(self, state):
x = T.relu(self.ln1(self.fc1(state)))
x = T.relu(self.ln2(self.fc2(x)))
action = T.tanh(self.action(x))
return action
def save_checkpoint(self, checkpoint_file):
T.save(self.state_dict(), checkpoint_file, _use_new_zipfile_serialization=False)
def load_checkpoint(self, checkpoint_file):
self.load_state_dict(T.load(checkpoint_file))
class CriticNetwork(nn.Module):
def __init__(self, beta, state_dim, action_dim, fc1_dim, fc2_dim):
super(CriticNetwork, self).__init__()
self.fc1 = nn.Linear(state_dim+action_dim, fc1_dim)
self.ln1 = nn.LayerNorm(fc1_dim)
self.fc2 = nn.Linear(fc1_dim, fc2_dim)
self.ln2 = nn.LayerNorm(fc2_dim)
self.q = nn.Linear(fc2_dim, 1)
self.optimizer = optim.Adam(self.parameters(), lr=beta)
self.to(device)
def forward(self, state, action):
x = T.cat([state, action], dim=-1)
x = T.relu(self.ln1(self.fc1(x)))
x = T.relu(self.ln2(self.fc2(x)))
q = self.q(x)
return q
def save_checkpoint(self, checkpoint_file):
T.save(self.state_dict(), checkpoint_file, _use_new_zipfile_serialization=False)
def load_checkpoint(self, checkpoint_file):
self.load_state_dict(T.load(checkpoint_file))TD3算法的代码实现（TD3.py）:
import torch as T
import torch.nn.functional as F
import numpy as np
from networks import ActorNetwork, CriticNetwork
from buffer import ReplayBuffer
device = T.device("cuda:0" if T.cuda.is_available() else "cpu")
class TD3:
def __init__(self, alpha, beta, state_dim, action_dim, actor_fc1_dim, actor_fc2_dim,
critic_fc1_dim, critic_fc2_dim, ckpt_dir, gamma=0.99, tau=0.005, action_noise=0.1,
policy_noise=0.2, policy_noise_clip=0.5, delay_time=2, max_size=1000000,
batch_size=256):
self.gamma = gamma
self.tau = tau
self.action_noise = action_noise
self.policy_noise = policy_noise
self.policy_noise_clip = policy_noise_clip
self.delay_time = delay_time
self.update_time = 0
self.checkpoint_dir = ckpt_dir
self.actor = ActorNetwork(alpha=alpha, state_dim=state_dim, action_dim=action_dim,
fc1_dim=actor_fc1_dim, fc2_dim=actor_fc2_dim)
self.critic1 = CriticNetwork(beta=beta, state_dim=state_dim, action_dim=action_dim,
fc1_dim=critic_fc1_dim, fc2_dim=critic_fc2_dim)
self.critic2 = CriticNetwork(beta=beta, state_dim=state_dim, action_dim=action_dim,
fc1_dim=critic_fc1_dim, fc2_dim=critic_fc2_dim)
self.target_actor = ActorNetwork(alpha=alpha, state_dim=state_dim, action_dim=action_dim,
fc1_dim=actor_fc1_dim, fc2_dim=actor_fc2_dim)
self.target_critic1 = CriticNetwork(beta=beta, state_dim=state_dim, action_dim=action_dim,
fc1_dim=critic_fc1_dim, fc2_dim=critic_fc2_dim)
self.target_critic2 = CriticNetwork(beta=beta, state_dim=state_dim, action_dim=action_dim,
fc1_dim=critic_fc1_dim, fc2_dim=critic_fc2_dim)
self.memory = ReplayBuffer(max_size=max_size, state_dim=state_dim, action_dim=action_dim,
batch_size=batch_size)
self.update_network_parameters(tau=1.0)
def update_network_parameters(self, tau=None):
if tau is None:
tau = self.tau
for actor_params, target_actor_params in zip(self.actor.parameters(),
self.target_actor.parameters()):
target_actor_params.data.copy_(tau * actor_params + (1 - tau) * target_actor_params)
for critic1_params, target_critic1_params in zip(self.critic1.parameters(),
self.target_critic1.parameters()):
target_critic1_params.data.copy_(tau * critic1_params + (1 - tau) * target_critic1_params)
for critic2_params, target_critic2_params in zip(self.critic2.parameters(),
self.target_critic2.parameters()):
target_critic2_params.data.copy_(tau * critic2_params + (1 - tau) * target_critic2_params)
def remember(self, state, action, reward, state_, done):
self.memory.store_transition(state, action, reward, state_, done)
def choose_action(self, observation, train=True):
self.actor.eval()
state = T.tensor([observation], dtype=T.float).to(device)
action = self.actor.forward(state)
if train:
# exploration noise
noise = T.tensor(np.random.normal(loc=0.0, scale=self.action_noise),
dtype=T.float).to(device)
action = T.clamp(action+noise, -1, 1)
self.actor.train()
return action.squeeze().detach().cpu().numpy()
def learn(self):
if not self.memory.ready():
return
states, actions, rewards, states_, terminals = self.memory.sample_buffer()
states_tensor = T.tensor(states, dtype=T.float).to(device)
actions_tensor = T.tensor(actions, dtype=T.float).to(device)
rewards_tensor = T.tensor(rewards, dtype=T.float).to(device)
next_states_tensor = T.tensor(states_, dtype=T.float).to(device)
terminals_tensor = T.tensor(terminals).to(device)
with T.no_grad():
next_actions_tensor = self.target_actor.forward(next_states_tensor)
action_noise = T.tensor(np.random.normal(loc=0.0, scale=self.policy_noise),
dtype=T.float).to(device)
# smooth noise
action_noise = T.clamp(action_noise, -self.policy_noise_clip, self.policy_noise_clip)
next_actions_tensor = T.clamp(next_actions_tensor+action_noise, -1, 1)
q1_ = self.target_critic1.forward(next_states_tensor, next_actions_tensor).view(-1)
q2_ = self.target_critic2.forward(next_states_tensor, next_actions_tensor).view(-1)
q1_[terminals_tensor] = 0.0
q2_[terminals_tensor] = 0.0
critic_val = T.min(q1_, q2_)
target = rewards_tensor + self.gamma * critic_val
q1 = self.critic1.forward(states_tensor, actions_tensor).view(-1)
q2 = self.critic2.forward(states_tensor, actions_tensor).view(-1)
critic1_loss = F.mse_loss(q1, target.detach())
critic2_loss = F.mse_loss(q2, target.detach())
critic_loss = critic1_loss + critic2_loss
self.critic1.optimizer.zero_grad()
self.critic2.optimizer.zero_grad()
critic_loss.backward()
self.critic1.optimizer.step()
self.critic2.optimizer.step()
self.update_time += 1
if self.update_time % self.delay_time != 0:
return
new_actions_tensor = self.actor.forward(states_tensor)
q1 = self.critic1.forward(states_tensor, new_actions_tensor)
actor_loss = -T.mean(q1)
self.actor.optimizer.zero_grad()
actor_loss.backward()
self.actor.optimizer.step()
self.update_network_parameters()
def save_models(self, episode):
self.actor.save_checkpoint(self.checkpoint_dir + 'Actor/TD3_actor_{}.pth'.format(episode))
print('Saving actor network successfully!')
self.target_actor.save_checkpoint(self.checkpoint_dir +
'Target_actor/TD3_target_actor_{}.pth'.format(episode))
print('Saving target_actor network successfully!')
self.critic1.save_checkpoint(self.checkpoint_dir + 'Critic1/TD3_critic1_{}.pth'.format(episode))
print('Saving critic1 network successfully!')
self.target_critic1.save_checkpoint(self.checkpoint_dir +
'Target_critic1/TD3_target_critic1_{}.pth'.format(episode))
print('Saving target critic1 network successfully!')
self.critic2.save_checkpoint(self.checkpoint_dir + 'Critic2/TD3_critic2_{}.pth'.format(episode))
print('Saving critic2 network successfully!')
self.target_critic2.save_checkpoint(self.checkpoint_dir +
'Target_critic2/TD3_target_critic2_{}.pth'.format(episode))
print('Saving target critic2 network successfully!')
def load_models(self, episode):
self.actor.load_checkpoint(self.checkpoint_dir + 'Actor/TD3_actor_{}.pth'.format(episode))
print('Loading actor network successfully!')
self.target_actor.load_checkpoint(self.checkpoint_dir +
'Target_actor/TD3_target_actor_{}.pth'.format(episode))
print('Loading target_actor network successfully!')
self.critic1.load_checkpoint(self.checkpoint_dir + 'Critic1/TD3_critic1_{}.pth'.format(episode))
print('Loading critic1 network successfully!')
self.target_critic1.load_checkpoint(self.checkpoint_dir +
'Target_critic1/TD3_target_critic1_{}.pth'.format(episode))
print('Loading target critic1 network successfully!')
self.critic2.load_checkpoint(self.checkpoint_dir + 'Critic2/TD3_critic2_{}.pth'.format(episode))
print('Loading critic2 network successfully!')
self.target_critic2.load_checkpoint(self.checkpoint_dir +
'Target_critic2/TD3_target_critic2_{}.pth'.format(episode))
print('Loading target critic2 network successfully!')算法仿真环境是gym库中的LunarLanderContinuous-v2环境，因此需要先配置好gym库。进入Aanconda中对应的Python环境中，执行下面的指令
pip install gym但是，这样安装的gym库只包括少量的内置环境，如算法环境、简单文字游戏环境和经典控制环境，无法使用LunarLanderContinuous-v2。因此还要安装一些其他依赖项，具体可以参照这篇blog: AttributeError: module ‘gym.envs.box2d‘ has no attribute ‘LunarLander‘解决办法。如果已经配置好环境，那请忽略这一段。
训练脚本（train.py）：
import gym
import numpy as np
import argparse
from TD3 import TD3
from utils import create_directory, plot_learning_curve, scale_action
parser = argparse.ArgumentParser()
parser.add_argument('--max_episodes', type=int, default=1000)
parser.add_argument('--ckpt_dir', type=str, default='./checkpoints/TD3/')
parser.add_argument('--figure_file', type=str, default='./output_images/reward.png')
args = parser.parse_args()
def main():
env = gym.make('LunarLanderContinuous-v2')
agent = TD3(alpha=0.0003, beta=0.0003, state_dim=env.observation_space.shape[0],
action_dim=env.action_space.shape[0], actor_fc1_dim=400, actor_fc2_dim=300,
critic_fc1_dim=400, critic_fc2_dim=300, ckpt_dir=args.ckpt_dir, gamma=0.99,
tau=0.005, action_noise=0.1, policy_noise=0.2, policy_noise_clip=0.5,
delay_time=2, max_size=1000000, batch_size=256)
create_directory(path=args.ckpt_dir, sub_path_list=['Actor', 'Critic1', 'Critic2', 'Target_actor',
'Target_critic1', 'Target_critic2'])
total_reward_history = []
avg_reward_history = []
for episode in range(args.max_episodes):
total_reward = 0
done = False
observation = env.reset()
while not done:
action = agent.choose_action(observation, train=True)
action_ = scale_action(action, low=env.action_space.low, high=env.action_space.high)
observation_, reward, done, info = env.step(action_)
agent.remember(observation, action, reward, observation_, done)
agent.learn()
total_reward += reward
observation = observation_
total_reward_history.append(total_reward)
avg_reward = np.mean(total_reward_history[-100:])
avg_reward_history.append(avg_reward)
print('Ep: {} Reward: {} AvgReward: {}'.format(episode+1, total_reward, avg_reward))
if (episode + 1) % 200 == 0:
agent.save_models(episode+1)
episodes = [i+1 for i in range(args.max_episodes)]
plot_learning_curve(episodes, avg_reward_history, title='AvgReward', ylabel='reward',
figure_file=args.figure_file)
if __name__ == '__main__':
main()训练脚本中有三个参数，max_episodes表示训练幕数，checkpoint_dir表示训练权重保存路径，figure_file表示训练结果的保存路径（其实是一张累积奖励曲线图），按照默认设置即可。
训练时还会用到画图函数和创建文件夹函数，它们都被放在utils.py脚本中：
import os
import numpy as np
import matplotlib.pyplot as plt
def create_directory(path: str, sub_path_list: list):
for sub_path in sub_path_list:
if not os.path.exists(path + sub_path):
os.makedirs(path + sub_path, exist_ok=True)
print('Path: {} create successfully!'.format(path + sub_path))
else:
print('Path: {} is already existence!'.format(path + sub_path))
def plot_learning_curve(episodes, records, title, ylabel, figure_file):
plt.figure()
plt.plot(episodes, records, color='b', linestyle='-')
plt.title(title)
plt.xlabel('episode')
plt.ylabel(ylabel)
plt.show()
plt.savefig(figure_file)
def scale_action(action, low, high):
action = np.clip(action, -1, 1)
weight = (high - low) / 2
bias = (high + low) / 2
action_ = action * weight + bias
return action_另外我们还提供了测试代码，主要用于测试训练效果以及观察环境的动态渲染 (test.py)：
import gym
import imageio
import argparse
from TD3 import TD3
from utils import scale_action
parser = argparse.ArgumentParser()
parser.add_argument('--ckpt_dir', type=str, default='./checkpoints/TD3/')
parser.add_argument('--figure_file', type=str, default='./output_images/LunarLander.gif')
parser.add_argument('--fps', type=int, default=30)
parser.add_argument('--render', type=bool, default=True)
parser.add_argument('--save_video', type=bool, default=True)
args = parser.parse_args()
def main():
env = gym.make('LunarLanderContinuous-v2')
agent = TD3(alpha=0.0003, beta=0.0003, state_dim=env.observation_space.shape[0],
action_dim=env.action_space.shape[0], actor_fc1_dim=400, actor_fc2_dim=300,
critic_fc1_dim=400, critic_fc2_dim=300, ckpt_dir=args.ckpt_dir, gamma=0.99,
tau=0.005, action_noise=0.1, policy_noise=0.2, policy_noise_clip=0.5,
delay_time=2, max_size=1000000, batch_size=256)
agent.load_models(1000)
video = imageio.get_writer(args.figure_file, fps=args.fps)
done = False
observation = env.reset()
while not done:
if args.render:
env.render()
action = agent.choose_action(observation, train=True)
action_ = scale_action(action, low=env.action_space.low, high=env.action_space.high)
observation_, reward, done, info = env.step(action_)
observation = observation_
if args.save_video:
video.append_data(env.render(mode='rgb_array'))
if __name__ == '__main__':
main()测试脚本中包括五个参数，filename表示环境动态图的保存路径，checkpoint_dir表示加载的权重路径，save_video表示是否要保存动态图，fps表示动态图的帧率，rander表示是否开启环境渲染。大家只需要调整save_video和rander这两个参数，其余保持默认即可。
6 实验结果
通过平均奖励曲线可以看出，大概迭代到400步左右时算法趋于收敛。相较于DDPG算法，TD3算法的性能有了明显提升。
这是测试效果图，智能体能够很好地完成降落任务，整个过程非常平稳！
7 结论
本文主要讲解了TD3算法中的相关技术细节，并进行了代码实现。TD3算法是一种有效解决连续控制问题的深度强化学习算法，也是我非常喜欢用的算法之一，希望各位小伙伴能够理解并掌握这个算法。
以上如果有出现错误的地方，欢迎各位怒斥！
旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。
更多推荐
85
0- 0
已为社区贡献10条内容
所有评论(0)