共计 1780 个字符，预计需要花费 5 分钟才能阅读完成。
强化学习从根底到进阶 - 常见问题和面试必知必答 [7]：深度确定性策略梯度 DDPG 算法、双提早深度确定性策略梯度 TD3 算法详解
1. 外围词汇
深度确定性策略梯度（deep deterministic policy gradient，DDPG）：在间断管制畛域经典的强化学习算法，是深度 Q 网络在处定性”示意其输入的是一个确定的动作，能够用于间断动作环境；“策略梯度”代表的是它用到的是策略网络，并且每步都会更新一次，其是一个单步更新的策略网络。其与深度 Q 网络都有指标网络和教训回放的技巧，在教训回放局部是统一的，在指标网络的更新上有些许不同。
2. 常见问题汇总
2.1 请解释随机性策略和确定性策略，两者有什么区别？
（1）对于随机性策略 $\pi_\theta(a_t|s_t)$，咱们输出某一个状态 $s$，采取某一个动作 $a$ 的可能性并不是百分之百的，而是有一个概率的，就如同抽奖一样，依据概率随机抽取一个动作。
（2）对于确定性策略 $\mu_{\theta}(s_t)$，其没有概率的影响。当神经网络的参数固定之后，输出同样的状态，必然输入同样的动作，这就是确定性策略。
2.2 对于间断动作的管制空间和离散动作的管制空间，如果咱们都采取策略网络，应该别离如何操作？
首先须要阐明的是，对于间断动作的管制空间，Q 学习、深度 Q 网络等算法是没有方法解决的，所以咱们须要应用神经网络进行解决，因为其能够既输入概率值，也能够输入确定的策略 $\mu_{\theta}(s_t)$。
（1）要输入离散动作，最初输入的激活函数应用 Softmax 即可。其能够保障输入的是动作概率，而且所有的动作概率加和为 1。
（2）要输入间断的动作，能够在输入层中加一层 tanh 激活函数，其能够把输入限度到 $[-1,1]$。咱们失去这个输入后，就能够依据理论动作的一个范畴再做缩放，而后将其输入给环境。比方神经网络输入一个浮点数 2.8，通过 tanh 激活函数之后，它就能够被限度在 $[-1,1]$，输入 0.99。假如小车的速度的动作范畴是 $[-2,2]$，那咱们就按比例将之从 $[-1,1]$ 扩充到 $[-2,2]$，0.99 乘 2，最终输入的就是 1.98，将其作为小车的速度或者推小车的力输入给环境。
3. 面试必知必答
3.1 友善的面试官：请简述一下深度确定性策略梯度算法。
深度确定性策略梯度算法应用演员 - 评论员构造，然而输入的不是动作的概率，而是具体动作，其能够用于间断动作的预测。优化的目标是将深度 Q 网络扩大到间断的动作空间。另外，其含意如其名：
（1）深度是因为用了深度神经网络；
（2）确定性示意其输入的是一个确定的动作，能够用于间断动作的环境；
（3）策略梯度代表的是它用到的是策略网络。强化算法每个回合就会更新一次网络，然而深度确定性策略梯度算法每个步骤都会更新一次策略网络，它是一个单步更新的策略网络。
3.2 友善的面试官：请问深度确定性策略梯度算法是同策略算法还是异策略算法？请阐明具体起因并剖析。
异策略算法。（1）深度确定性策略梯度算法是优化的深度 Q 网络，其应用了教训回放，所以为异策略算法。（2）因为深度确定性策略梯度算法为了保障肯定的摸索，对输入动作加了肯定的噪声，行为策略不再是优化的策略。
3.3 友善的面试官：你是否理解过散布的分布式深度确定性策略梯度算法（distributed distributional deep deterministic policy gradient，D4PG）呢？请形容一下吧。
散布的分布式深度确定性策略梯度算法（distributed distributional deep deterministic policy gradient，D4PG)，绝对于深度确定性策略梯度算法，其优化局部如下。
（1）分布式评论员：不再只预计 Q 值的期望值，而是预计冀望 Q 值的散布，行将冀望 Q 值作为一个随机变量来预计。
（2）$N$ 步累计回报：计算时序差分误差时，D4PG 计算的是 $N$ 步的时序差分目标值而不仅仅只有一步，这样就能够思考将来更多步骤的回报。
（3）多个分布式并行演员：D4PG 应用 $K$ 个独立的演员并行收集训练数据并存储到同一个回放缓冲区中。
（4）优先教训回放（prioritized experience replay，PER）：应用一个非平均概率从回放缓冲区中进行数据采样。
更多优质内容请关注公号：汀丶人工智能