零、题记
这篇博客一方面为了记录当前所整理的知识点，另一方面PPO算法实在是太重要了，不但要从理论上理解它到底是怎样实现的，还需要从代码方面进行学习，这里我就通俗的将这个知识点进行简单的记录，用来日后自己的回顾和大家的交流学习。
下面均是我自己个人见解，如有不对之处，欢迎评论区指出错误！
一. PPO背景引入
这里简要交代PPO的算法原理及思想过程，主要记录自己的笔记，记录比较详细，可以查看，后面代码会紧紧贴合前面的内容，并且会再次提到一些细节。
好到这里就是PPO的基本思想和RL的前期铺垫工作
二 代码理解
代码选择的是 动手学强化学习
下面我将逐一刨析整个代码的全部过程，之后大家可以将这些过程迁移到Issac Gym中进行学习和思考。
1 task_PPO.py文件
点击查看代码
import gym import torch import torch.nn.functional as F import numpy as np import matplotlib.pyplot as plt import rl_utils class PolicyNet(torch.nn.Module): def __init__(self, state_dim, hidden_dim, action_dim): super(PolicyNet, self).__init__() self.fc1 = torch.nn.Linear(state_dim, hidden_dim) self.fc2 = torch.nn.Linear(hidden_dim, action_dim) def forward(self, x): x = F.relu(self.fc1(x)) return F.softmax(self.fc2(x), dim=1) class ValueNet(torch.nn.Module): def __init__(self, state_dim, hidden_dim): super(ValueNet, self).__init__() self.fc1 = torch.nn.Linear(state_dim, hidden_dim) self.fc2 = torch.nn.Linear(hidden_dim, 1) def forward(self, x): x = F.relu(self.fc1(x)) return self.fc2(x) class PPO: ''' PPO算法,采用截断方式 ''' def __init__(self, state_dim, hidden_dim, action_dim, actor_lr, critic_lr, lmbda, epochs, eps, gamma, device): self.actor = PolicyNet(state_dim, hidden_dim, action_dim).to(device) self.critic = ValueNet(state_dim, hidden_dim).to(device) self.actor_optimizer = torch.optim.Adam(self.actor.parameters(), lr=actor_lr) self.critic_optimizer = torch.optim.Adam(self.critic.parameters(), lr=critic_lr) self.gamma = gamma self.lmbda = lmbda self.epochs = epochs # 一条序列的数据用来训练轮数 self.eps = eps # PPO中截断范围的参数 self.device = device def take_action(self, state): state = torch.tensor([state], dtype=torch.float).to(self.device) probs = self.actor(state) action_dist = torch.distributions.Categorical(probs) action = action_dist.sample() return action.item() def update(self, transition_dict): states = torch.tensor(transition_dict['states'], dtype=torch.float).to(self.device) actions = torch.tensor(transition_dict['actions']).view(-1, 1).to( self.device) rewards = torch.tensor(transition_dict['rewards'], dtype=torch.float).view(-1, 1).to(self.device) next_states = torch.tensor(transition_dict['next_states'], dtype=torch.float).to(self.device) dones = torch.tensor(transition_dict['dones'], dtype=torch.float).view(-1, 1).to(self.device) td_target = rewards + self.gamma * self.critic(next_states) * (1 - dones) td_delta = td_target - self.critic(states) advantage = rl_utils.compute_advantage(self.gamma, self.lmbda, td_delta.cpu()).to(self.device) old_log_probs = torch.log(self.actor(states).gather(1, actions)).detach() for _ in range(self.epochs): log_probs = torch.log(self.actor(states).gather(1, actions)) ratio = torch.exp(log_probs - old_log_probs) surr1 = ratio * advantage surr2 = torch.clamp(ratio, 1 - self.eps, 1 + self.eps) * advantage # 截断 actor_loss = torch.mean(-torch.min(surr1, surr2)) # PPO损失函数 critic_loss = torch.mean( F.mse_loss(self.critic(states), td_target.detach())) self.actor_optimizer.zero_grad() self.critic_optimizer.zero_grad() actor_loss.backward() critic_loss.backward() self.actor_optimizer.step() self.critic_optimizer.step() if __name__ == "__main__": #初始化参数 actor_lr = 1e-3 critic_lr = 1e-2 num_episodes = 500 hidden_dim = 128 gamma = 0.98 lmbda = 0.95 epochs = 10 eps = 0.2 device = torch.device("cpu") env_name = "CartPole-v1" env = gym.make(env_name) env.reset(seed=0) torch.manual_seed(0) state_dim = env.observation_space.shape[0] action_dim = env.action_space.n #初始化智能体 agent = PPO(state_dim, hidden_dim, action_dim, actor_lr, critic_lr, lmbda, epochs, eps, gamma, device) #开始训练 return_list = rl_utils.train_on_policy_agent(env, agent, num_episodes) episodes_list = list(range(len(return_list))) plt.plot(episodes_list, return_list) plt.xlabel('Episodes') plt.ylabel('Returns') plt.title('PPO on {}'.format(env_name)) plt.show() mv_return = rl_utils.moving_average(return_list, 9) plt.plot(episodes_list, mv_return) plt.xlabel('Episodes') plt.ylabel('Returns') plt.title('PPO on {}'.format(env_name)) plt.show() 2 rl_utils.py文件
点击查看代码
from tqdm import tqdm import numpy as np import torch import collections import random class ReplayBuffer: def __init__(self, capacity): self.buffer = collections.deque(maxlen=capacity) def add(self, state, action, reward, next_state, done): self.buffer.append((state, action, reward, next_state, done)) def sample(self, batch_size): transitions = random.sample(self.buffer, batch_size) state, action, reward, next_state, done = zip(*transitions) return np.array(state), action, reward, np.array(next_state), done def size(self): return len(self.buffer) def moving_average(a, window_size): cumulative_sum = np.cumsum(np.insert(a, 0, 0)) middle = (cumulative_sum[window_size:] - cumulative_sum[:-window_size]) / window_size r = np.arange(1, window_size - 1, 2) begin = np.cumsum(a[:window_size - 1])[::2] / r end = (np.cumsum(a[:-window_size:-1])[::2] / r)[::-1] return np.concatenate((begin, middle, end)) def train_on_policy_agent(env, agent, num_episodes): return_list = [] for i in range(10): with tqdm(total=int(num_episodes / 10), desc='Iteration %d' % i) as pbar: for i_episode in range(int(num_episodes / 10)): episode_return = 0 transition_dict = {'states': [], 'actions': [], 'next_states': [], 'rewards': [], 'dones': []} state = env.reset() done = False while not done: action = agent.take_action(state) next_state, reward, done, _ = env.step(action) transition_dict['states'].append(state) transition_dict['actions'].append(action) transition_dict['next_states'].append(next_state) transition_dict['rewards'].append(reward) transition_dict['dones'].append(done) state = next_state episode_return += reward return_list.append(episode_return) agent.update(transition_dict) if (i_episode + 1) % 10 == 0: pbar.set_postfix({'episode': '%d' % (num_episodes / 10 * i + i_episode + 1), 'return': '%.3f' % np.mean(return_list[-10:])}) pbar.update(1) return return_list def train_off_policy_agent(env, agent, num_episodes, replay_buffer, minimal_size, batch_size): return_list = [] for i in range(10): with tqdm(total=int(num_episodes / 10), desc='Iteration %d' % i) as pbar: for i_episode in range(int(num_episodes / 10)): episode_return = 0 state = env.reset() done = False while not done: action = agent.take_action(state) next_state, reward, done, _ = env.step(action) replay_buffer.add(state, action, reward, next_state, done) state = next_state episode_return += reward if replay_buffer.size() > minimal_size: b_s, b_a, b_r, b_ns, b_d = replay_buffer.sample(batch_size) transition_dict = {'states': b_s, 'actions': b_a, 'next_states': b_ns, 'rewards': b_r, 'dones': b_d} agent.update(transition_dict) return_list.append(episode_return) if (i_episode + 1) % 10 == 0: pbar.set_postfix({'episode': '%d' % (num_episodes / 10 * i + i_episode + 1), 'return': '%.3f' % np.mean(return_list[-10:])}) pbar.update(1) return return_list def compute_advantage(gamma, lmbda, td_delta): td_delta = td_delta.detach().numpy() advantage_list = [] advantage = 0.0 for delta in td_delta[::-1]: advantage = gamma * lmbda * advantage + delta advantage_list.append(advantage) advantage_list.reverse() return torch.tensor(advantage_list, dtype=torch.float) 3 开始刨析
（1）先从主函数运行开始，其他的遇到了我们再来分析
首先是对函数的一些变量进行初始化，都包括Adam优化器的学习率，episode的长度，隐藏层的维数，奖励函数的系数(gamma)值，GAE的(lambda)值，epoch的长度(本代码表示的是进行梯度反向传播的轮数)，eps表示PPO中截断范围clip函数的参数（-eps~+eps），device是什么设备（源代码是cuda，这里大家可以更改下，因为我是用cpu跑的），然后下面的就是代码的一些初始化了，我这里不再赘述。
这哥俩就表述:前者是观测值的数量（比如读取的电机这时的角度、力矩、电机此时速度、机器人此时欧拉角、base线速度等【扯远了】），后者是动作空间的数量（比如输出的电机该咋转的角度，比如一只A1有12个电机，那么输出的action的维数就是12，代表着每一个电机最后应该转多少角度，往哪里转）
（2）初始化智能体
这时我们调用PPO函数，然后我们来看一下PPO函数具体都干了些什么。（这里就是起了这个名字，不要误会它在这个函数里把所有PPO算法都实现了）
我们下面一步一步来看。
a.第一个地方
这里是对Actor-Critic算法的复现，定义了两个神经网络，这两个神经网络具体长什么样子呢？我们来看看：
PolicyNet是Actor，相当于前面我们提到的Policy Improvement,简称PI，是策略改善的网络，最终我们希望输入一个状态，我们就知道该使用什么样子的action，黑盒明白吧。
ValueNet是Critic，对Actor的动作做评估，进而更新state value或者action value的值。网络结构我也大致画一下：
其实也就相当于前面去掉了softmax，至于为什么呢？
你看哈，actor网络的作用是选择一个动作进行输出，所以我们使用softmax进行分类，理论上选择让累计奖励更大的动作作为较大概率的输出（greedy action)，所以这里用了一个分类器。
b.第二个地方
由于需要对两个网络进行反向传播，所以这里定义了两个Adam优化器进行。
普通咱一般用的是这种：
Adam优化器是这样子：（如果比较感兴趣的话，这篇博客个人感觉讲的比较好！）
代码里的lr就是咱前面提到的学习率，一般都是10的负几次方。
c.第三个地方就没啥说的了，几个赋值
记住以后再看torch的代码，python的代码，一般很喜欢用class的形式，这时你就把self看成不同函数之间变量的搬运工，只要有定义self.xxxx你就要知道一般这东西是在别处定义的，或者别处也能用得到的，这一点不是很绝对，但至少对初学者来说很实用。
（3）开始训练
我们转到对应的函数文件去看看（ctrl+鼠标左键）
可以说这个函数是这个代码最核心的部分，也是PPO算法最核心的部分，我们来看看咋实现的。
a.第一话
首先循环10次，每一轮咱训练50个episodes，一个episode就包含着很多个(<state,action>)对（这个对长度不一定，可能随时停止，也可能尽可能探索到最大的episode_max长度）,最后10x50等于500，所有episodes都执行完毕，此处对应代码：num_episodes = 500
然后是用tqdm定义一个进度条（这个不是重点，知道就行）
初始化变量(transition_dict)，这个变量包含5个值：现在的状态states,执行的动作actions，执行完到下一个时刻的状态next_states，奖励函数rewards，以及这一时刻执行完的结束标志done(结束为1，否则为0，记住后面代码里要用到)
b.第二话
接着上面的代码再继续分析
I)take actions
可以看到首先将输入的state转换为tensor，然后因为actor网络的最后一层是softmax函数，所以通过actor网络输出两个执行两个动作可能性的大小，然后通过action_dist = torch.distributions.Categorical(probs) action = action_dist.sample()根据可能性大小进行采样最后得到这次选择动作1进行返回。
II)env.step(action)
按照采取的动作，和环境进行交互，返回到达下一时刻状态的值、奖励函数以及一个episode是否结束的结束标志done。
III)transition_dist
然后将这些返回的值装进这个字典里面，有点像(replay buffer)我个人感觉。
然后更新下一时刻的状态值，这个episode的奖励函数也将累加episode_return += reward
然后通过return_list.append(episode_return)记录下这一整个episode的总的累计奖励R,用来plt绘图吧，这个就类似TensorBoard的观测输出了。
IV)agent.update(...)
agent.update(transition_dict)到了这个函数。
这个函数说明了我们如何利用这些变量进行更新呢？
首先先从transition_dict取出变量存入tsnsor中便于计算
然后定义了TD Target：
然后是TD error
最后这俩就一起说了
前一个是计算GAE
advantage表示的是某状态下采取某动作的优势值，也就是咱前面提到的PPO算法公式中的A：
old_log_probs则表示的是旧策略下某个状态下采取某个动作的概率值的对数值。对应下面PPO算法公式中的clip函数中分母:
然后这个函数下面就老有意思了：
首先第一部分： log_probs = torch.log(self.actor(states).gather(1, actions))
求对数值，然后下面新旧相减：
ratio = torch.exp(log_probs - old_log_probs)
这不就是(e^{[ln(a)-ln(b)]} = frac{a}{b}嘛)
其实它就是在计算这个：
然后下面的surr1和surr2起初我也看不懂，后来看看算法自然而然就明白是干嘛的了：
这俩其实就是用前面的ratio分别相乘来作为下图的两个值，结果再求最小值，讲约束条件纳入公式里面，这就是PPO的核心！！！
这其实就已经写完了actor的损失函数了，也就是策略的损失函数了。至于critic的损失函数，是在求td target和critic(states)的MSE,均方误差。
然后清零Adam，梯度反向传播，更新。。循环epoch=10次进行参数的神经网络参数的更新，每一次相当于收集了50个episodes。
c.
if (i_episode + 1) % 10 == 0: pbar.set_postfix({'episode': '%d' % (num_episodes / 10 * i + i_episode + 1), 'return': '%.3f' % np.mean(return_list[-10:])}) pbar.update(1) 更新进度条，跟咱要学的PPO没关系。
d.
return return_list返回这个奖励函数表。用来最后的输出评估：
（4）记录
大家可能对整个流程比较糊涂，这里简单的做一个梳理：
下面引用自其他佬的博客：
