共计 2909 个字符，预计需要花费 8 分钟才能阅读完成。
本文首发于：行者 AI
Q 学习（Q-Learning）算法是提出工夫很早的一种异策略的时序差分学习办法；DQN 则是利用神经网络对 Q-Learning 中的值函数进行近似，并针对实际问题作出改良的办法；而 DDPG 则能够视为 DQN 对连续型动作预测的一个扩大；本文将从定义比照剖析 DQN 和 DDPG，更好地了解二者的算法区别与分割。
本文首先通过简介 DQN 和 DDPG 波及的常见概念，接着从 DQN 开始剖析了解其算法流程，而后进一步地剖析 DDPG，最初总结二者的区别与分割。本文次要分为以下三个局部：
（1）相干概念简介
（2）DQN 的算法剖析
（3）DDPG 的算法剖析
1. 相干概念简介
DQN 和 DDPG 解决的问题不同，DQN 用于解决离散动作问题，而 DDPG 则是在其根底上扩大用于解决间断动作问题；所以首先咱们须要明确连续型动作和离散型动作的区别，以及二者在工程上是如何实现的。
1.1 离散动作
简略的了解，离散动作是能够被分类的动作，比方向上、向下、停火、停火等动作；在理论工程中，咱们应用分类类型的激活函数去示意它们，比方 softmax：
如上图所示，输出 x 通过任意神经网络后，最初一层网络层应用 softmax 激活函数，将网络输入分为 n 个动作类；这样就能够输入离散的动作了。
1.2 间断动作
离散动作是可被分类的动作，那么间断动作就是一个间断的值，比方间隔、角度、力度等示意确切的值。间断动作不可分类，因而在理论工程中，咱们应用返回值类型的激活函数去示意它们，比方 tanh：
如上图所示，输出 x 通过任意神经网络后，最初一层网络层应用 tanh 激活函数，将网络输入为一个区间化的值 value；这样就能够输入间断的动作了。
2. DQN
2.1 DQN 面临的问题
DQN 是利用神经网络对 Q-Learning 中的值函数进行近似，并针对实际问题作出改良的办法。然而咱们并不能进行简略的代替，比方定义一个分类神经网络：
而后在定义一个相似 Q-learning 的 loss 函数，比方：$Q(s, a) \leftarrow Q(s, a)+\alpha\left(r+\gamma \max _{a^{\prime}} Q\left(s^{\prime}, a^{\prime}\right)-Q(s, a)\right)$，而后再间接进行优化。这样的形式是行不通的。
在理论的工程中，DQN 的实现会遇到许多艰难，其中最显著的就是：
（1）样本利用率低
（2）训练失去的 value 值不稳固
其中问题（1）是序列决策的通病，因为序列决策具备紧密的上下文分割，因而一段很长的样本只能算一个样本，从而导致了样本利用率低。
问题（2）是因为网络输入的 Q 值会参加动作 action 的抉择，而抉择的动作与环境交互后产生新的状态持续送入 Q 网络训练；这造成了 网络参数的输入指标会持续参加网络参数的训练。这导致了 Q 网络输入不稳固。
2.2 解决形式
面对以上两个问题，DQN 别离采纳了以下两种形式解决：
（1）教训回放（Experience Replay），即构建一个教训池（Replay Buffer）来去除数据相关性；教训池是由智能体最近的经验组成的数据集。
（2）指标网络解冻（Freezing Target Networks），即在一个时间段内（或者说固定步数内）固定指标中的参数，来稳固学习指标。
整个 DQN 的性能构造能够用下图示意：
首先向 Q 网络中输出由动作、状态、处分和完结标记组成的数据，网络输入一个预测值 Q_predict，接着依据该值抉择动作 action 传入环境中进行交互，而后失去新的状态值 s’，持续送入训练。
同时，每次与环境交互的后果也会存入固定长度的教训池中；每隔 C 步再从 Q 网络复制一个构造和参数雷同的 Target_Q 网络，用来稳固输入指标，Target_Q 网络从教训池中采样数据，输入一个稳固的目标值 Q_target = $r+\gamma Q_{target}\left(\boldsymbol{s}, \boldsymbol{s}^{\prime}, \boldsymbol{a}, \boldsymbol{r}\right)$，其中 $r$ 为处分函数值，$\gamma$ 是处分的折扣率，$Q_{target}\left(\boldsymbol{s}, \boldsymbol{s}^{\prime}, \boldsymbol{a}, \boldsymbol{r}\right)$ 是 Target_Q 网络的输入值。
整个 DQN 的 loss 函数间接取两个预测值 Q_predict 和 Q_target 的均方误差。
具体的算法流程如下：
3. DDPG
在已知了 DQN 算法的根底上，再来看 DDPG 就很简略了。实质上 DDPG 思路没变，然而利用变动了；DDPG 相比于 DQN 次要是解决连续型动作的预测问题。通过下面的简介，咱们能够晓得，动作是间断还是离散，在实现上的区别仅在于最初激活函数的抉择上。因而，DDPG 在继承了 DQN 的算法上，作出了一些改良。
间接上算法构造：
比照 DQN 的算法结构图，不难发现：DDPG 在 DQN 的根底上减少了一个 Policy 网络及其 Policy_target 网络，用来输入一个间断值；这个间断值其实就是间断动作 action。剩下的思路和 DQN 简直一样。
不同之处在于，最初的 loss 函数尽管仍是求两个预测值 Q_predict 和 Q_target 的均方误差，然而因为 Q_predict 和 Q_target 的值是须要 Policy 网络及其 Policy_target 网络的输入别离求得的。所以须要在 Q_predict 和 Q_target 中内嵌入两个策略网络的 loss 函数，如上图所示。
比照 DQN，将其算法稍作更改就能够失去一个较为具体的 DDPG 算法流程：
说完了 DDPG 相较于 DQN 的扩大，再说说继承。显然的，DDPG 继承了 教训回放（Experience Replay） 和 指标网络解冻（Freezing Target Networks） 两种形式用来解决雷同的问题。
4. 总结
本文以比照的视角别离剖析了 DQN 和 DDPG 两种算法，能够看出：
（1）二者都采纳了教训回放（Experience Replay）和 指标网络解冻（Freezing Target Networks）两种形式去解决样本、目标值不稳固的问题。
（2）二者的算法构造十分相似，都是雷同的流程，只是 DDPG 在 DQN 的根底上多了一些 Policy 系列网络的操作。
（3）二者的 loss 函数实质上是雷同的，只是 DDPG 退出了 Policy 网络用来输入间断动作值，因而须要再向原 MSE 中嵌入 Policy 网络的 loss 函数。
综上，本文得出了 DDPG 本质上是 DQN 的一种在间断动作上的扩大算法这一论断。通过比照也能够看出，DDPG 与 DQN 有着极高的算法相似性，并不只如 DDPG 论文中所说的脱胎于 DPG 算法。
本文对于 DQN 和 DDPG 两种算法的比照了解就到这里，下一篇中咱们会从代码动手，对着两种算法进行实现，敬请期待！
5. 参考
[1] 邱锡鹏《NNDL》
[2] Continuous control with deep reinforcement learning
[3] Playing Atari with Deep Reinforcement Learning
