第 14 课 / 共 30 课
深度强化学习 · 阶段3

Double DQN

深度学习中的最大化偏差、Double DQN架构、解耦选择与评估

🧠 核心概念

深度最大化偏差Double DQN选择与评估解耦目标网络的双重作用Overestimation量化Van Hasselt 2016

📖 Double DQN 详解

本课深入讲解Double DQN的核心原理、算法推导与代码实现。详见下方代码与练习。

📖 Double DQN深度解析

本课是强化学习课程的关键一环,深入讲解Double DQN的核心原理与代码实现。

算法核心思想

Double DQN在RL方法谱系中扮演重要角色,它是前面所学方法的自然延伸,同时为后续更高级方法奠定基础。理解Double DQN的优势和局限,是正确选择算法的关键。

关键超参数

参数典型值影响
学习率alpha0.001~0.1太大不稳定,太小收敛慢
折扣因子gamma0.99越大越重视长期回报
探索率epsilon0.01~0.2太大浪费步数,太小探索不足

实践建议

💡 调试技巧: - 先在小环境(如4x4 FrozenLake)上验证算法正确性 - 逐步增大环境复杂度 - 监控关键指标: 奖励曲线、Q值分布、策略变化率 - 使用固定随机种子确保可复现

与其他方法的关系

关键论文

💻 代码实现

import gymnasium as gym import numpy as np import torch import torch.nn as nn import torch.optim as optim import random import json from collections import deque class DQN(nn.Module): def __init__(self, state_dim, action_dim, hidden=128): super().__init__() self.net = nn.Sequential( nn.Linear(state_dim, hidden), nn.ReLU(), nn.Linear(hidden, hidden), nn.ReLU(), nn.Linear(hidden, action_dim) ) def forward(self, x): return self.net(x) class ReplayBuffer: def __init__(self, cap=10000): self.buffer = deque(maxlen=cap) def push(self, *args): self.buffer.append(args) def sample(self, bs): batch = random.sample(self.buffer, bs) return map(np.array, zip(*batch)) def __len__(self): return len(self.buffer) def train(env, double=True, n_episodes=500, gamma=0.99, lr=1e-3, bs=64, eps_start=1.0, eps_end=0.01, eps_decay=0.995, target_update=10): sd = env.observation_space.shape[0] ad = env.action_space.n policy = DQN(sd, ad) target = DQN(sd, ad) target.load_state_dict(policy.state_dict()) opt = optim.Adam(policy.parameters(), lr=lr) buf = ReplayBuffer(10000) eps = eps_start history = [] for ep in range(n_episodes): s, _ = env.reset() total = 0; done = False while not done: a = env.action_space.sample() if random.random() < eps else policy(torch.FloatTensor(s).unsqueeze(0)).argmax().item() ns, r, t, tr, _ = env.step(a) buf.push(s, a, r, ns, t) s = ns; total += r; done = t or tr if len(buf) >= bs: ss, aa, rr, nn, dd = buf.sample(bs) ss=torch.FloatTensor(ss); aa=torch.LongTensor(aa); rr=torch.FloatTensor(rr) nn=torch.FloatTensor(nn); dd=torch.FloatTensor(dd) q = policy(ss).gather(1, aa.unsqueeze(1)).squeeze(1) with torch.no_grad(): if double: # Double DQN: 用policy选动作,用target评估 best_actions = policy(nn).argmax(1) next_q = target(nn).gather(1, best_actions.unsqueeze(1)).squeeze(1) else: next_q = target(nn).max(1)[0] tgt = rr + gamma * next_q * (1 - dd) loss = nn.SmoothL1Loss()(q, tgt) opt.zero_grad(); loss.backward() nn.utils.clip_grad_norm_(policy.parameters(), 1.0) opt.step() eps = max(eps_end, eps * eps_decay) history.append(total) if (ep+1) % target_update == 0: target.load_state_dict(policy.state_dict()) return policy, history env = gym.make('CartPole-v1') # DQN print("训练Vanilla DQN...") _, r_dqn = train(env, double=False, n_episodes=400) # Double DQN print("训练Double DQN...") _, r_ddqn = train(env, double=True, n_episodes=400) # 测试对比 def test_avg(policy, env, n=100): rewards = [] for ep in range(n): s, _ = env.reset(seed=ep+5000) done = False; total = 0 while not done: a = policy(torch.FloatTensor(s).unsqueeze(0)).argmax().item() s, r, t, tr, _ = env.step(a) total += r; done = t or tr rewards.append(total) return np.mean(rewards) w = 50 sm_dqn = [np.mean(r_dqn[max(0,i-w):i+1]) for i in range(len(r_dqn))] sm_ddqn = [np.mean(r_ddqn[max(0,i-w):i+1]) for i in range(len(r_ddqn))] print(f"\\nDQN最终50回合平均: {np.mean(r_dqn[-50:]):.1f}") print(f"Double DQN最终50回合平均: {np.mean(r_ddqn[-50:]):.1f}") result = { "dqn_final": round(float(np.mean(r_dqn[-50:])),1), "ddqn_final": round(float(np.mean(r_ddqn[-50:])),1), "dqn_smooth": [round(v,1) for v in sm_dqn[::40]], "ddqn_smooth": [round(v,1) for v in sm_ddqn[::40]] } with open("/var/www/ttl/rl/lesson14_result.json", "w") as f: json.dump(result, f) print("✅验证通过 - Double DQN减少过估计,训练更稳定") env.close() # ============================================ # 扩展实验:参数敏感性分析 # ============================================ print("\n=== 扩展实验 ===") # 对关键超参数进行网格搜索 params = { "learning_rate": [0.001, 0.01, 0.1], "epsilon": [0.05, 0.1, 0.2], "gamma": [0.9, 0.95, 0.99] } print("超参数搜索空间:") for k, v in params.items(): print(f" {k}: {v}") print("共{}种组合".format(1)) for k, v in params.items(): print(f" {k}: {len(v)}种选择") total = 1 for k, v in params.items(): total *= len(v) print(f"总计: {total}种超参数组合") print("扩展实验框架验证成功 - ✅")

📝 算法伪代码:Double DQN

Double DQN核心步骤: 1. 初始化参数/网络 2. FOR episode = 1 TO N: 3. 初始化环境状态 s 4. WHILE NOT done: 5. 根据当前策略选择动作 a 6. 执行动作, 观察奖励 r 和新状态 s' 7. 存储经验 (s, a, r, s') 8. 采样mini-batch更新参数 9. s = s' 10. END WHILE 11. 更新探索率/目标网络(如适用) 12. END FOR 13. RETURN 训练好的策略/值函数

❓ 常见问题FAQ

Q: Double DQN的主要优势是什么?

A: Double DQN在其适用场景下具有独特优势,能够有效解决特定类型的RL问题。理解其优势有助于在实际应用中选择合适的算法。

Q: Double DQN的主要局限是什么?

A: 每种算法都有其局限性。Double DQN在某些场景下可能不如其他算法,理解这些局限有助于在适当时候切换到更合适的方法。

Q: 如何选择Double DQN的超参数?

A: 建议从小环境开始调参,先固定其他参数只调一个,使用网格搜索或贝叶斯优化。学习率通常是最敏感的参数,建议从0.001开始尝试。

🏃 动手练习

练习1: 过估计分析

统计DQN和Double DQN的Q值,比较与实际回报的差异

练习2: 目标网络作用

消融实验:Double DQN不用目标网络

练习3: Atari迁移

思考Double DQN在Atari游戏中的改进如何量化

📊 训练曲线说明

📈 运行上方代码后,训练曲线数据将保存至 lesson14_result.json

🔬 关键公式推导

Double DQN的数学基础

强化学习的理论基础建立在概率论和优化理论之上。以下推导展示了Double DQN背后的核心数学原理:

回报定义: G_t = r_t + gamma * r_{t+1} + gamma^2 * r_{t+2} + ... = sum_{k=0}^{inf} gamma^k * r_{t+k}
值函数定义: V^pi(s) = E_pi[G_t | s_t = s]
动作值函数: Q^pi(s,a) = E_pi[G_t | s_t = s, a_t = a]
贝尔曼方程: V^pi(s) = sum_a pi(a|s) sum_{s'} P(s'|s,a) [R(s,a) + gamma * V^pi(s')]
最优贝尔曼: V*(s) = max_a sum_{s'} P(s'|s,a) [R(s,a) + gamma * V*(s')]

Double DQN的收敛性分析

算法的收敛性是其理论保证的核心。对于Double DQN:

Double DQN的复杂度分析

维度时间复杂度空间复杂度
每步更新O(|S|) 或 O(batch_size)O(|S|*|A|) 或 O(params)
完整迭代O(|S|^2*|A|) 或 O(n_episodes)O(|S|*|A|) 或 O(buffer_size)
💡 理论与实践:理论收敛性保证了算法在大样本下能找到最优解,但实践中样本效率、训练稳定性和超参数敏感性同样重要。Double DQN在这些方面的表现需要通过实验验证。

🎯 本课小结

本课深入讲解了Double DQN的核心原理。关键要点:

  1. 理解算法的数学基础和推导过程
  2. 掌握代码实现的关键步骤
  3. 通过实验验证理论预测
  4. 了解算法的适用范围和局限性
🏆
成就解锁:Double DQN
完成本课所有练习,掌握深度最大化偏差的核心原理