本文分享自华为云社区《MindSpore A2C 强化学习》，作者：irrational。
Advantage Actor-Critic (A2C)算法是一个强化学习算法，它结合了策略梯度（Actor）和价值函数（Critic）的方法。A2C算法在许多强化学习任务中表现优越，因为它能够利用价值函数来减少策略梯度的方差，同时直接优化策略。
A2C算法的核心思想
- Actor：根据当前策略选择动作。
- Critic：评估一个状态-动作对的值（通常是使用状态值函数或动作值函数）。
- 优势函数（Advantage Function）：用来衡量某个动作相对于平均水平的好坏，通常定义为A(s,a)=Q(s,a)−V(s)。
A2C算法的伪代码
以下是A2C算法的伪代码：
Initialize policy network (actor) π with parameters θ Initialize value network (critic) V with parameters w Initialize learning rates α_θ for policy network and α_w for value network for each episode do Initialize state s while state s is not terminal do # Actor: select action a according to the current policy π(a|s; θ) a = select_action(s, θ) # Execute action a in the environment, observe reward r and next state s' r, s' = environment.step(a) # Critic: compute the value of the current state V(s; w) V_s = V(s, w) # Critic: compute the value of the next state V(s'; w) V_s_prime = V(s', w) # Compute the TD error (δ) δ = r + γ * V_s_prime - V_s # Critic: update the value network parameters w w = w + α_w * δ * ∇_w V(s; w) # Compute the advantage function A(s, a) A = δ # Actor: update the policy network parameters θ θ = θ + α_θ * A * ∇_θ log π(a|s; θ) # Move to the next state s = s' end while end for
解释
- 初始化：初始化策略网络（Actor）和价值网络（Critic）的参数，以及它们的学习率。
- 循环每个Episode：在每个Episode开始时，初始化状态。
- 选择动作：根据当前策略从Actor中选择动作。
- 执行动作：在环境中执行动作，并观察奖励和下一个状态。
- 计算状态值：用Critic评估当前状态和下一个状态的值。
- 计算TD误差：计算时序差分误差（Temporal Difference Error），它是当前奖励加上下一个状态的折扣值与当前状态值的差。
- 更新Critic：根据TD误差更新价值网络的参数。
- 计算优势函数：使用TD误差计算优势函数。
- 更新Actor：根据优势函数更新策略网络的参数。
- 更新状态：移动到下一个状态，重复上述步骤，直到Episode结束。
这个伪代码展示了A2C算法的核心步骤，实际实现中可能会有更多细节，如使用折扣因子γ、多个并行环境等。
代码如下：
import argparse from mindspore import context from mindspore import dtype as mstype from mindspore.communication import init from mindspore_rl.algorithm.a2c import config from mindspore_rl.algorithm.a2c.a2c_session import A2CSession from mindspore_rl.algorithm.a2c.a2c_trainer import A2CTrainer parser = argparse.ArgumentParser(description="MindSpore Reinforcement A2C") parser.add_argument("--episode", type=int, default=10000, help="total episode numbers.") parser.add_argument( "--device_target", type=str, default="CPU", choices=["CPU", "GPU", "Ascend", "Auto"], help="Choose a devioptions.device_targece to run the ac example(Default: Auto).", ) parser.add_argument( "--precision_mode", type=str, default="fp32", choices=["fp32", "fp16"], help="Precision mode", ) parser.add_argument( "--env_yaml", type=str, default="../env_yaml/CartPole-v0.yaml", help="Choose an environment yaml to update the a2c example(Default: CartPole-v0.yaml).", ) parser.add_argument( "--algo_yaml", type=str, default=None, help="Choose an algo yaml to update the a2c example(Default: None).", ) parser.add_argument( "--enable_distribute", type=bool, default=False, help="Train in distribute mode (Default: False).", ) parser.add_argument( "--worker_num", type=int, default=2, help="Worker num (Default: 2).", ) options, _ = parser.parse_known_args()
首先初始化参数，然后我这里用cpu运行：options.device_targe = “CPU”
episode=options.episode """Train a2c""" if options.device_target != "Auto": context.set_context(device_target=options.device_target) if context.get_context("device_target") in ["CPU", "GPU"]: context.set_context(enable_graph_kernel=True) context.set_context(mode=context.GRAPH_MODE) compute_type = ( mstype.float32 if options.precision_mode == "fp32" else mstype.float16 ) config.algorithm_config["policy_and_network"]["params"][ "compute_type" ] = compute_type if compute_type == mstype.float16 and options.device_target != "Ascend": raise ValueError("Fp16 mode is supported by Ascend backend.") is_distribte = options.enable_distribute if is_distribte: init() context.set_context(enable_graph_kernel=False) config.deploy_config["worker_num"] = options.worker_num a2c_session = A2CSession(options.env_yaml, options.algo_yaml, is_distribte)
设置上下文管理器
import sys import time from io import StringIO class RealTimeCaptureAndDisplayOutput(object): def __init__(self): self._original_stdout = sys.stdout self._original_stderr = sys.stderr self.captured_output = StringIO() def write(self, text): self._original_stdout.write(text) # 实时打印 self.captured_output.write(text) # 保存到缓冲区 def flush(self): self._original_stdout.flush() self.captured_output.flush() def __enter__(self): sys.stdout = self sys.stderr = self return self def __exit__(self, exc_type, exc_val, exc_tb): sys.stdout = self._original_stdout sys.stderr = self._original_stderr
episode=10 # dqn_session.run(class_type=DQNTrainer, episode=episode) with RealTimeCaptureAndDisplayOutput() as captured_new: a2c_session.run(class_type=A2CTrainer, episode=episode)
import re import matplotlib.pyplot as plt # 原始输出 raw_output = captured_new.captured_output.getvalue() # 使用正则表达式从输出中提取loss和rewards loss_pattern = r"loss=(d+.d+)" reward_pattern = r"running_reward=(d+.d+)" loss_values = [float(match.group(1)) for match in re.finditer(loss_pattern, raw_output)] reward_values = [float(match.group(1)) for match in re.finditer(reward_pattern, raw_output)] # 绘制loss曲线 plt.plot(loss_values, label='Loss') plt.xlabel('Episode') plt.ylabel('Loss') plt.title('Loss Curve') plt.legend() plt.show() # 绘制reward曲线 plt.plot(reward_values, label='Rewards') plt.xlabel('Episode') plt.ylabel('Rewards') plt.title('Rewards Curve') plt.legend() plt.show()
展示结果：
下面我将详细解释你提供的 MindSpore A2C 算法训练配置参数的含义：
Actor 配置
'actor': { 'number': 1, 'type': mindspore_rl.algorithm.a2c.a2c.A2CActor, 'params': { 'collect_environment': PyFuncWrapper< (_envs): GymEnvironment<> >, 'eval_environment': PyFuncWrapper< (_envs): GymEnvironment<> >, 'replay_buffer': None, 'a2c_net': ActorCriticNet< (common): Dense<input_channels=4, output_channels=128, has_bias=True> (actor): Dense<input_channels=128, output_channels=2, has_bias=True> (critic): Dense<input_channels=128, output_channels=1, has_bias=True> (relu): LeakyReLU<> >}, 'policies': [], 'networks': ['a2c_net'] }
number: Actor 的实例数量，这里设置为1，表示使用一个 Actor 实例。type: Actor 的类型，这里使用mindspore_rl.algorithm.a2c.a2c.A2CActor。params: Actor 的参数配置。collect_environment和eval_environment: 使用PyFuncWrapper包装的GymEnvironment，用于数据收集和评估环境。replay_buffer: 设置为None，表示不使用经验回放缓冲区。a2c_net: Actor-Critic 网络，包含一个公共层、一个 Actor 层和一个 Critic 层，以及一个 Leaky ReLU 激活函数。
policies和networks: Actor 关联的策略和网络，这里主要是a2c_net。
Learner 配置
'learner': { 'number': 1, 'type': mindspore_rl.algorithm.a2c.a2c.A2CLearner, 'params': { 'gamma': 0.99, 'state_space_dim': 4, 'action_space_dim': 2, 'a2c_net': ActorCriticNet< (common): Dense<input_channels=4, output_channels=128, has_bias=True> (actor): Dense<input_channels=128, output_channels=2, has_bias=True> (critic): Dense<input_channels=128, output_channels=1, has_bias=True> (relu): LeakyReLU<> >, 'a2c_net_train': TrainOneStepCell< (network): Loss< (a2c_net): ActorCriticNet< (common): Dense<input_channels=4, output_channels=128, has_bias=True> (actor): Dense<input_channels=128, output_channels=2, has_bias=True> (critic): Dense<input_channels=128, output_channels=1, has_bias=True> (relu): LeakyReLU<> > (smoothl1_loss): SmoothL1Loss<> > (optimizer): Adam<> (grad_reducer): Identity<> > }, 'networks': ['a2c_net_train', 'a2c_net'] }
number: Learner 的实例数量，这里设置为1，表示使用一个 Learner 实例。type: Learner 的类型，这里使用mindspore_rl.algorithm.a2c.a2c.A2CLearner。params: Learner 的参数配置。gamma: 折扣因子，用于未来奖励的折扣计算。state_space_dim: 状态空间的维度，这里为4。action_space_dim: 动作空间的维度，这里为2。a2c_net: Actor-Critic 网络定义，与 Actor 中相同。a2c_net_train: 用于训练的网络，包含损失函数（SmoothL1Loss）、优化器（Adam）和梯度缩减器（Identity）。
networks: Learner 关联的网络，包括a2c_net_train和a2c_net。
Policy and Network 配置
'policy_and_network': { 'type': mindspore_rl.algorithm.a2c.a2c.A2CPolicyAndNetwork, 'params': { 'lr': 0.01, 'state_space_dim': 4, 'action_space_dim': 2, 'hidden_size': 128, 'gamma': 0.99, 'compute_type': mindspore.float32, 'environment_config': { 'id': 'CartPole-v0', 'entry_point': 'gym.envs.classic_control:CartPoleEnv', 'reward_threshold': 195.0, 'nondeterministic': False, 'max_episode_steps': 200, '_kwargs': {}, '_env_name': 'CartPole' } } }
type: 策略和网络的类型，这里使用mindspore_rl.algorithm.a2c.a2c.A2CPolicyAndNetwork。params: 策略和网络的参数配置。lr: 学习率，这里为0.01。state_space_dim和action_space_dim: 状态和动作空间的维度。hidden_size: 隐藏层的大小，这里为128。gamma: 折扣因子。compute_type: 计算类型，这里为mindspore.float32。environment_config: 环境配置，包括环境 ID、入口、奖励阈值、最大步数等。
Collect Environment 配置
'collect_environment': { 'number': 1, 'type': mindspore_rl.environment.gym_environment.GymEnvironment, 'wrappers': [mindspore_rl.environment.pyfunc_wrapper.PyFuncWrapper], 'params': { 'GymEnvironment': { 'name': 'CartPole-v0', 'seed': 42 }, 'name': 'CartPole-v0' } }
number: 环境实例数量，这里为1。type: 环境的类型，这里使用mindspore_rl.environment.gym_environment.GymEnvironment。wrappers: 环境使用的包装器，这里是PyFuncWrapper。params: 环境的参数配置，包括环境名称CartPole-v0和随机种子42。
Eval Environment 配置
'eval_environment': { 'number': 1, 'type': mindspore_rl.environment.gym_environment.GymEnvironment, 'wrappers': [mindspore_rl.environment.pyfunc_wrapper.PyFuncWrapper], 'params': { 'GymEnvironment': { 'name': 'CartPole-v0', 'seed': 42 }, 'name': 'CartPole-v0' } }
- 配置与
collect_environment类似，用于评估模型性能。
总结一下，这些配置定义了 Actor-Critic 算法在 MindSpore 框架中的具体实现，包括 Actor 和 Learner 的设置、策略和网络的参数，以及训练和评估环境的配置。这个还是比较基础的。
