0
本文为 AI 研习社编译的技术博客，原标题 ：
Proximal Policy Optimization (PPO) with Sonic the Hedgehog 2 and 3
作者 | Thomas Simonini
翻译 | 安石徒 校对 | 斯蒂芬•二狗子
审核 | 邓普斯•杰弗 整理 | 菠萝妹
原文链接：
https://towardsdatascience.com/proximal-policy-optimization-ppo-with-sonic-the-hedgehog-2-and-3-c9c21dbed5e
深度强化学习从入门到大师：以刺猬索尼克游戏为例讲解PPO
（第六部分）
几周前，OpenAI在深度强化学习上取得了突破性进展。由5个智能体的组成的人工智能团队OpenAI five击败了现实中的DOTA2玩家。但遗憾的是，该人工智能团队输掉了随后的第二场比赛。
Dota2
这个突破性进展的取得得益于强大的硬件支持和 PPO 算法（近端策略优化 Proximal Policy Optimization）。
PPO的核心思想是避免采用大的策略更新。为此，我们采用变化率表明新旧策略的不同，并缩减该变化率在0.8到1.2之间以保证策略更新不大。
此外，PPO的另一项创新是在训练智能体的k个epochs过程中使用了小批量梯度下降法。你可以读我们之前已经实现的这篇文章 A2C with Sonic The Hedgehog。
今天，我们将深入了解PPO结构，并应用PPO来训练智能体学习玩刺猬索尼克系列1,2,3。
但是，如果想要理解好PPO，你首先需要掌握A2C（ 建议先阅读上一篇文章简单介绍A2C （第五部分））
曾记否，在学习策略梯度时，我们了解了策略目标函数（或策略损失函数）。
PG的思想是采用上面的函数一步步做梯度上升（等价于负方向的梯度下降）使智能体在行动中获取更高的回报奖励。
然而，PG算法存在步长选择问题（对step size敏感）：
步长太小，训练过于缓慢
步长太大，训练中误差波动较大
面对训练过程波动较大的问题时，PPO可以轻松应对。
PPO近端策略优化的想法是通过限定每步训练的策略更新的大小，来提高训练智能体行为时的稳定性。
为了实现上述想法，PPO引入了一个新的目标函数“Clipped surrogate objective function”（大概可以翻译为：裁剪的替代目标函数），通过裁剪将策略更新约束在小范围内。
首先，正如我们在stackoverflow中的解释，我们不采用智能体行动的对数概率logπ(a|s)（vanilla policy gradient method ）来跟踪智能体行动的效果，而是使用当前策略下的行动概率(π(a|s))除以上一个策略的行动概率 (π_old(a|s))的比例：
摘自PPO论文：PPO paper
如上所示，rt(θ)表明了新旧策略间概率比：
若 rt(θ)>1，则当前策略下的行动比原先策略的更有可能发生。
若 rt(θ)⊂(0,1)，则在当前策略下行动发生的概率低于原先的。
据此，新的目标函数可如下所示：
摘自PPO论文：PPO paper
但是，如果你当前策略的行动的可能性远高于之前策略的情况下，此时不对目标函数进行约束， 那么 rt(θ)的值就会非常大，还会导致PG采取可能破坏策略的大梯度更新。
因此，需要对目标函数进行约束，惩罚那些导致rt(θ)远离1的变化（本文中比率仅允许在0.8和1.2之间），这样可以确保不会发生大的策略更新。
为此，我们有两个解决方案：
TRPO（Trust Region Policy Optimization，置信区间策略优化）采用的KL散度来约束策略更新（注：使用目标函数之外的KL散度，来约束需要更新的策略数目，以保证梯度单调上升；此外还有其他方法，例如ACER,Sample Efficient Actor-Critic with Experience eplay）。但是TRPO这种方法使用起来过于复杂，且耗费更多的计算时间。
使用PPO优化的裁剪替代目标函数。
裁剪替代目标函数
通过该函数，得到两个概率比，一个非裁剪的和一个裁剪的（在[1 - ?, 1+?]区间，?是一个帮助我们设置范围的超参数，本文中? = 0.2）。
然后，我们选择裁剪和非裁剪中的最小值，最终得到的值范围是小于非裁剪的下界的区域。
为此，我们需要考虑两种情况case：
摘自PPO论文
case 1: 当优势A>0
如果Ȃt > 0，即该行动好于在该状态下的行动得分的平均值。因此，我们应鼓励新策略增加在该状态下采取该行动的概率。
也就增加了概率比r(t),增加了新策略的概率（ At* 新的策略概率）,同时令分母上的先前策略保持不变。
因为进行了裁剪，所以rt(?)最大只能增长到1+ ?。这意味着当前行动概率相较于原先策略不可能上百倍地提高。
为什么要这样做？因为我们不想过度更新策略。在该状态下采取这个行动的估计结果只是一次尝试的得出结果，并不能证明这个行动总是有较高的正向回报（说白了，防止陷入局部最优值），因此，我们就不要贪婪地学习，以防止智能体选择糟糕的策略。
总而言之，在（行动对结果）是积极作用的情况下，需要（在这步梯度上升中）增加一点该行动的概率，但不是太多。
case 2:当优势A<0
如果Ȃt < 0，即该行动为导致消极结果的行动，应该被阻止。因此概率比rt(?)会被减少。但同时进行裁剪，使rt(?)最小只能将降低到1- ?。
同样，我们不想最大化减少该行动被选中的概率，因为这种贪婪学习会导致策略过大的改变，以至于变得糟糕也说不定。
总而言之，多亏裁剪替代目标函数，我们约束了新策略相对旧策略两种情形下的变动范围。于是，我们把概率比控制在小区间内，因此，这种裁剪有利于求策略梯度。如果概率在[1 - ?, 1+?]区间外，梯度值为0。
最终的裁剪替代目标损失函数：
现在，我们将准备实现一个A2C类型的PPO智能体。A2C类型训练包括该文中所述的A2C过程。
同样，这个代码实现比以前的代码要复杂好多。我们要开始复现最先进的算法，因此需要代码的更高的效率。这也是为什么，我们将整个代码分为不同对对象和文件来实现。
为了实现一个PPO智能体，需要读一读如下包含完成PPO过程的笔记和代码解释：
这个实现在GitHub仓库中 。
Understand PPO implementation playing Sonic the Hedgehog 2 and 3
如上所述，你已经创建了一个学习如何玩刺猬索尼克系列游戏1,2,3的智能体。太棒了！一个好的智能体需要在一个GPU上训练10到15小时。
别忘了自己亲自实现代码的每一个部分，因为调试完善代码是非常重要的。尝试更改环境，调整超参，尝试是学习的最佳途径也是最大乐趣。
花点时间来想想我们从第一节课到现在取得的所有成就：从简单的文本游戏（OpenAI taxi-v2）到像毁灭战士、索尼克这些复杂的游戏，我们采用越来越强大的模型结构。这真是极好的！
下一回，我们将学习深度强化学习中最有趣的的新内容之一——好奇心驱动的学习。
想要继续查看该篇文章相关链接和参考文献？
长按链接点击打开或点击【深度强化学习从入门到大师：以刺猬索尼克游戏为例讲解PPO（第六部分）】：
https://ai.yanxishe.com/page/TextTranslation/1408
【点击查看本系列文章】
深度强化学习从入门到大师：通过Q学习进行强化学习（第二部分）
深度强化学习从入门到大师：以Doom为例一文带你读懂深度Q学习（第三部分 - 上）
深度强化学习从入门到大师：进一步了解深度Q学习（第三部分 - 下）
深度强化学习从入门到大师：以 Cartpole 和 Doom 为例介绍策略梯度 （第四部分）
AI研习社每日更新精彩内容，观看更多精彩内容：雷锋网雷锋网雷锋网
等你来译：
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
