rlACAgent
演员-评论家强化学习代理
描述
Actor-critic (AC)代理实现了诸如A2C和A3C这样的Actor-critic算法，这是一种无模型的、在线的、基于策略的强化学习方法。参与者-评论家代理直接优化策略(参与者)，并使用评论家来估计回报或未来的奖励。动作空间可以是离散的，也可以是连续的。
有关更多信息，请参见Actor-Critic代理．有关不同类型的强化学习代理的更多信息，请参见强化学习代理．
创建
语法
描述
根据观察和行动规格创建代理
代理= rlACAgent (observationInfo，actionInfo）observationInfo以及动作规范actionInfo．的ObservationInfo而且ActionInfo的属性代理设置为observationInfo而且actionInfo分别输入参数。
代理= rlACAgent (observationInfo，actionInfo，initOpts）initOpts对象。行动者-评论家代理不支持循环神经网络。有关初始化选项的详细信息，请参见rlAgentInitializationOptions．
指定代理选项
代理= rlACAgent (___，agentOptions）agentOptions输入参数。在前面语法中的任何输入参数之后使用此语法。
输入参数
属性
对象的功能
例子
根据观察和行动规范创建离散的行动者-评论家代理
创造一个具有离散动作空间的环境，并获得其观察和动作规范。对于本例，加载示例中使用的环境使用深度网络设计器创建代理，并使用图像观察进行训练．这个环境有两个观测值:一个50 × 50的灰度图像和一个标量(钟摆的角速度)。该动作是一个有五个可能元素的标量(施加在摆动杆上的扭矩为- 2,1,0,1或2nm)。
环境= rlPredefinedEnv(“SimplePendulumWithImage-Discrete”）;
获得观察和行动规范
obsInfo = getObservationInfo(env);actInfo = getActionInfo(env);
代理创建函数随机初始化演员网络和评论家网络。通过固定随机生成器的种子来确保重现性。
rng (0)
根据环境观察和操作规范创建参与者-评论家代理。
agent = rlACAgent(obsInfo,actInfo);
要检查代理，请使用getAction从随机观测中返回运动。
getAction(代理,{兰特(obsInfo (1) .Dimension),兰德(obsInfo (2) .Dimension)})
ans =1x1单元阵列{[2]}
现在可以在环境中测试和训练代理。你也可以使用getActor而且getCritic分别提取演员和评论家，和getModel从行动者或评论家中提取近似器模型(默认为深度神经网络)。
使用初始化选项创建连续的actor -批评家代理
创造一个具有连续动作空间的环境，并获得其观察和动作规范。对于本例，加载示例中使用的环境训练DDPG Agent用图像观察摆动和平衡摆．这个环境有两个观测值:一个50 × 50的灰度图像和一个标量(钟摆的角速度)。动作是表示扭矩的标量，范围从-2到2nm。
负载百分比预定义环境环境= rlPredefinedEnv(“SimplePendulumWithImage-Continuous”）;获得观察和行动规范obsInfo = getObservationInfo(env);actInfo = getActionInfo(env);
创建一个代理初始化选项对象，指定网络中每个隐藏的全连接层必须具有128神经元(不是默认数量，256)．行动者-评论家代理不支持循环网络，因此设置UseRNN选项真正的在创建代理时生成错误。
initOpts = rlAgentInitializationOptions(NumHiddenUnit=128);
代理创建函数随机初始化演员网络和评论家网络。你可以通过固定随机生成器的种子来确保重现性。
rng (0)
根据环境观察和操作规范创建参与者-评论家代理。
agent = rlACAgent(obsInfo,actInfo,initOpts);
从行动者和评论家中提取深度神经网络。
actorNet = getModel(代理);criticNet = getModel(get批评家(代理));
显示批评网络的层，并验证每个隐藏的全连接层有128个神经元
criticNet。层
ans = 11x1带有图层的图层数组:1的concat串联连接2输入沿着维度1 2的relu_body ReLU ReLU 3“fc_body”完全连接128完全连接层4的body_output ReLU ReLU 5 input_1的图像输入50 x50x1图片6 conv_1二维卷积64 3 x3x1旋转步[1]和填充[0 0 0 0]7‘relu_input_1 ReLU ReLU 8“fc_1”完全连接128完全连接层9“input_2”功能输入1功能10“fc_2”完全连接128完全连接层11“输出”完全连接1全连接层
情节演员和评论家网络
情节(layerGraph (actorNet))
情节(layerGraph (criticNet))
要检查代理，请使用getAction从随机观察中返回动作。
getAction(代理,{兰特(obsInfo (1) .Dimension),兰德(obsInfo (2) .Dimension)})
ans =1x1单元阵列{[0.9228]}
现在可以在环境中测试和训练代理。
从参与者和评论家创建离散的参与者-评论家代理
创建一个具有离散动作空间的环境，并获得其观察和动作规范。对于本例，加载示例中使用的环境训练DQN人员平衡车杆系统．这个环境有一个四维观测向量(车的位置和速度、极角和极角导数)，以及一个包含两个可能元素的标量动作(施加在车上的-10或+10 N的力)。
环境= rlPredefinedEnv(“CartPole-Discrete”）;
获得观察和行动规范。
obsInfo = getObservationInfo(env)
obsInfo = rlNumericSpec与属性:LowerLimit: -Inf UpperLimit: Inf名称:"CartPole States"描述:"x, dx, theta, dtheta"维度:[4 1]数据类型:"double"
getActionInfo(env)
actInfo = rlFiniteSetSpec与属性:元素:[-10 10]名称:"CartPole Action"描述:[0x0 string]尺寸:[1 1]数据类型:"double"
代理创建函数随机初始化演员网络和评论家网络。你可以通过固定随机生成器的种子来确保重现性。
rng (0)
对于行动者-评论家代理，评论家估计一个值函数，因此它必须将观测信号作为输入并返回一个标量值。
为了接近批评家的价值函数，使用深度神经网络。将网络定义为层对象的数组。从环境规范对象中获取观察空间的尺寸。
cnet = [featureInputLayer(prod(obsInfo.Dimension)) fullyConnectedLayer(50) reluLayer fullyConnectedLayer(1)];
将网络转换为adlnetwork对象，并显示权重的数量。
Cnet = dlnetwork(Cnet);总结(cnet)
初始化:true可学习的数量:301输入:1 '输入' 4个特征
创造批评家。演员评论家代理使用rlValueFunction对象来实现批评家。
rlValueFunction(cnet,obsInfo);
用随机的观察输入检查你的评论。
getValue(评论家,{兰德(obsInfo.Dimension)})
ans =单-0.1411
创建一个深度神经网络，用作actor内的近似模型。对于行为批评代理，行为者执行随机策略，对于离散行为空间，由离散类别行为者执行随机策略。在这种情况下，网络必须将观察信号作为输入，并返回每个动作的概率。因此，输出层必须拥有与可能的操作数量一样多的元素。
anet = [featureInputLayer(prod(obsInfo.Dimension)) fullyConnectedLayer(50) reluLayer fullyConnectedLayer(nummel (actInfo.Dimension))];
将网络转换为adlnetwork对象，并显示权重的数量。
Anet = dlnetwork(Anet);总结(anet)
初始化:true可学习数量:352输入:1 '输入' 4个特征
创建参与者。演员评论家代理使用rlDiscreteCategoricalActor对象来实现离散操作空间的参与者。
actor = rlDiscreteCategoricalActor(anet,obsInfo,actInfo);
用随机观察输入检查你的actor。
getAction(演员,{兰德(obsInfo.Dimension)})
ans =1x1单元阵列{[-10]}
使用演员和评论家创建AC代理。
演员，影评人
agent = rlACAgent with properties: AgentOptions: [1x1 rl.option.]rlACAgentOptions] UseExplorationPolicy: 1 ObservationInfo: [1x1 rl.util.rlNumericSpec] ActionInfo: [1x1 rl.util.rlFiniteSetSpec] SampleTime: 1
为代理指定一些选项，包括演员和评论家的培训选项。
agent.AgentOptions.NumStepsToLookAhead = 32;agent.AgentOptions.DiscountFactor = 0.99;agent.AgentOptions.CriticOptimizerOptions.LearnRate = 8 e - 3;agent.AgentOptions.CriticOptimizerOptions.GradientThreshold = 1;agent.AgentOptions.ActorOptimizerOptions.LearnRate = 8 e - 3;agent.AgentOptions.ActorOptimizerOptions.GradientThreshold = 1;
用随机观察来检查你的代理人。
getAction(代理,{兰德(obsInfo.Dimension)})
ans =1x1单元阵列{[-10]}
现在可以在环境中测试和训练代理。
从演员和评论家创建连续的演员-评论家代理
创造一个具有连续动作空间的环境，并获得其观察和动作规范。对于本例，加载双积分器连续动作空间环境所使用的实例训练DDPG Agent控制双积分系统．
环境= rlPredefinedEnv(“DoubleIntegrator-Continuous”）;
获得观察和行动规范。
obsInfo = getObservationInfo(env)
obsInfo = rlNumericSpec with properties: LowerLimit: -Inf UpperLimit: Inf名称:"states"描述:"x, dx"维度:[2 1]数据类型:"double"
getActionInfo(env)
actInfo = rlNumericSpec with properties: LowerLimit: -Inf UpperLimit: Inf名称:"force"描述:[0x0 string]维度:[1 1]数据类型:"double"
在这个例子中，动作是一个标量值，表示从-2到2牛顿的力。为了确保代理的输出在这个范围内，您可以执行适当的缩放操作。存储这些限制，以便您以后可以轻松地访问它们。
确保动作空间上限和下限是有限的actInfo.LowerLimit = 2;actInfo.UpperLimit = 2;
演员网络和评论家网络是随机初始化的。你可以通过固定随机生成器的种子来确保重现性。
rng (0)
对于行动者-评论家代理，评论家估计一个值函数，因此它必须将观测信号作为输入并返回一个标量值。为了接近批评家的价值函数，使用深度神经网络。
将网络定义为一组层对象，并从环境规范对象中获取观察空间的维度。
cNet = [featureInputLayer(prod(obsInfo.Dimension)) fullyConnectedLayer(50) reluLayer fullyConnectedLayer(1)];
将网络转换为adlnetwork对象并显示权重的数量。
cNet = dlnetwork(cNet);总结(cNet)
初始化:true可学习的数量:201输入:1 '输入' 2个特征
使用cNet．演员评论家代理使用rlValueFunction对象来实现批评家。
rlValueFunction(cNet,obsInfo);
用随机输入的观察来检查你的评论。
getValue(评论家,{兰德(obsInfo.Dimension)})
ans =单-0.0969
为了在参与者中近似策略，使用深度神经网络。对于行为批评代理，行为者执行随机策略，对于连续动作空间则由连续高斯行为者实现。在这种情况下，网络必须将观察信号作为输入，并为每个动作返回平均值和标准偏差值。因此，它必须有两个输出层(一个用于平均值，另一个用于标准偏差值)，每个输出层具有与动作空间维度相同的元素。
注意，标准偏差必须是非负的，平均值必须落在动作的范围内。因此，返回标准差的输出层必须是softplus或ReLU层，以强制非负性，而返回平均值的输出层必须是缩放层，以将平均值缩放到输出范围。
将每个网络路径定义为一个层对象数组。从环境规范对象中获取观察和操作空间的维度，并为输入和输出层指定一个名称，以便稍后可以显式地将它们与适当的通道相关联。
%输入路径inPath = [featureInputLayer(prod(obsInfo.Dimension)，Name=“netObsIn”) fullyConnectedLayer (prod (actInfo.Dimension),名称=“infc”));平均路径meanPath = [tanhLayer(Name=“tanhMean”）;fulllyconnectedlayer (prod(actInfo.Dimension));scalingLayer (.．.Name =“netMout”，.．.规模= actInfo.UpperLimit)范围比例%];%标准差路径sdevPath = [tanhLayer(Name=“tanhStdv”）;fulllyconnectedlayer (prod(actInfo.Dimension));softplusLayer (Name =“netSDout”）%非负];为网络对象添加层aNet = layerGraph;aNet = addLayers(aNet,inPath);aNet = addLayers(aNet,meanPath);aNet = addLayers(aNet,sdevPath);%连接层aNet = connectLayers(aNet，“infc”，“tanhMean /”）;aNet = connectLayers(aNet，“infc”，“tanhStdv /”）;%绘图网络情节(aNet)
将网络转换为adlnetwork对象，并显示可学习参数(权重)的数量。
aNet = dlnetwork(aNet);总结(aNet)
初始化:true可学习数量:305输入:1 'netObsIn' 2个特征
创建参与者。演员评论家代理使用rlContinuousGaussianActor对象来实现连续操作空间的参与者。
actor = rlContinuousGaussianActor(aNet, obsInfo, actInfo，.．.ActionMeanOutputNames =“netMout”，.．.ActionStandardDeviationOutputNames =“netSDout”，.．.ObservationInputNames =“netObsIn”）;
用随机输入观察检查您的actor。
getAction(演员,{兰德(obsInfo.Dimension)})
ans =1x1单元阵列{[-1.2332]}
使用演员和评论家创建AC代理。
agent = rlACAgent(演员，评论家);
指定代理选项，包括其参与者和评论家的培训选项。
agent.AgentOptions.NumStepsToLookAhead = 32;agent.AgentOptions.DiscountFactor = 0.99;agent.AgentOptions.CriticOptimizerOptions.LearnRate = 8 e - 3;agent.AgentOptions.CriticOptimizerOptions.GradientThreshold = 1;agent.AgentOptions.ActorOptimizerOptions.LearnRate = 8 e - 3;agent.AgentOptions.ActorOptimizerOptions.GradientThreshold = 1;
使用随机输入观察检查你的代理。
getAction(代理,{兰德(obsInfo.Dimension)})
ans =1x1单元阵列{[-1.5401]}
现在可以在环境中测试和训练代理。
用循环神经网络创建一个离散的行动者-评论家代理
类所使用的预定义环境训练DQN人员平衡车杆系统的例子。这个环境有一个四维观测向量(车的位置和速度、极角和极角导数)，以及一个包含两个可能元素的标量动作(施加在车上的-10或+10 N的力)。
环境= rlPredefinedEnv(“CartPole-Discrete”）;
获取观察和行动信息。
obsInfo = getObservationInfo(env);actInfo = getActionInfo(env);
代理创建函数随机初始化演员网络和评论家网络。通过固定随机生成器的种子来确保重现性。
rng (0)
对于行动者-评论家代理，评论家估计一个值函数，因此它必须将观测信号作为输入并返回一个标量值。
为了在评论家内近似值函数，使用循环深度神经网络。将网络定义为一组层对象，并从环境规范对象中获取观察空间的维度。要创建循环网络，请使用sequenceInputLayer作为输入层并包含一个lstmLayer作为其他网络层之一。
cNet = [sequenceInputLayer(prod(obsInfo.Dimension)) lstmLayer(10) reluLayer fullyConnectedLayer(1)];
将网络转换为adlnetwork对象，并显示可学习参数(权重)的数量。
cNet = dlnetwork(cNet);总结(cNet)
初始化:true可学习数量:611 input: 1 'sequenceinput' 4维序列输入
使用cNet．演员评论家代理使用rlValueFunction对象来实现批评家。
rlValueFunction(cNet,obsInfo);
用随机输入的观察来检查评论家。
getValue(评论家,{兰德(obsInfo.Dimension)})
ans =单-0.0344
既然评论家有循环网络，那么演员也必须使用循环网络。对于行为批评代理，行为者执行随机策略，对于离散行为空间，由离散类别行为者执行随机策略。在这种情况下，网络必须将观察信号作为输入，并返回每个动作的概率。因此，输出层必须拥有与可能的操作数量一样多的元素。
aNet = [sequenceInputLayer(prod(obsInfo.Dimension)) lstmLayer(20) reluLayer fullyConnectedLayer(numel(actInfo.Elements))];
将网络转换为adlnetwork对象并显示权重的数量。
aNet = dlnetwork(aNet);总结(aNet)
初始化:true可学习数量:2k input: 1 'sequenceinput' 4维序列输入
使用以下命令创建参与者aNet．演员评论家代理使用rlDiscreteCategoricalActor对象来实现离散操作空间的参与者。
actor = rlDiscreteCategoricalActor(aNet,obsInfo,actInfo);
用随机输入的观察结果检查actor。
getAction(演员,{兰德(obsInfo.Dimension)})
ans =1x1单元阵列{[10]}
为评论家设置一些训练选项。
criticOpts = rlOptimizerOptions(.．.LearnRate = 8 e - 3, GradientThreshold = 1);
为演员设置一些训练选项。
actorOpts = rlOptimizerOptions(.．.LearnRate = 8 e - 3, GradientThreshold = 1);
指定代理选项，并使用参与者、评论家和代理选项对象创建AC代理。由于代理使用循环神经网络，NumStepsToLookAhead作为训练轨迹长度。
agentOpts = rlACAgentOptions(.．.NumStepsToLookAhead = 32,.．.DiscountFactor = 0.99,.．.CriticOptimizerOptions = criticOpts,.．.ActorOptimizerOptions = actorOpts);agent = rlACAgent(actor，批评家，agentOpts);
要检查代理，返回随机观察的动作。
getAction(代理,{兰德(obsInfo.Dimension)})
ans =1x1单元阵列{[10]}
现在可以在环境中测试和训练代理。
配置A3C培训选项
要使用异步A3C (advantage actor-critic)方法训练代理，必须适当地设置代理和并行训练选项。
创建AC座席时，需要设置NumStepsToLookAhead值大于1．常见的价值观有64而且128．
agentOpts = rlACAgentOptions(NumStepsToLookAhead=64);
使用agentOpts创建代理时。或者，首先创建代理，然后修改它的选项，包括稍后使用点表示法的actor和批评家选项。
配置训练算法以使用异步并行训练。
trainOpts = rlTrainingOptions(UseParallel=true);trainOpts.ParallelizationOptions.Mode =“异步”；
配置工作者将梯度数据返回给主机。此外，设置工作人员将数据发送回主机之前的步数，以匹配要提前查看的步数。
trainOpts.ParallelizationOptions.DataToSendFromWorkers =.．.“梯度”；trainOpts.ParallelizationOptions.StepsUntilDataIsSent =.．.agentOpts.NumStepsToLookAhead;
使用trainOpts当训练你的特工时。
有关异步优势行动者-评论家代理训练的示例，请参见用并行计算训练交流代理平衡车杆系统．
提示
对于连续的动作空间，使用
rlACAgent对象不强制操作规范设置的约束，因此必须在环境中强制操作空间约束。
版本历史
在R2019a中引入
您也可以从以下列表中选择一个网站: