强化学习调参经验大集成：TD3、PPO+GAE、SAC、离散动作噪声探索、以及Off-policy 、On-policy 算法常见超参数

1. 强化学习通用参数设置

（1）强化学习算法选用

目前推荐的使用的算法主要是：

离散控制问题建议算法：

①D3QN——D3 指的是 Dueling Double DQN，主要集成了 Double DQN 与 Dueling DQN 的方法架构，另可与 Noisy DQN 来配合γ-greedy 方法来提升探索效率。

②SAC-Discrete——提出的主要目标是用于解决混合动作空间中的决策问题，将输出的动作矢量当作每个动作的执行概率，具体效果评价有高有低。

③H-PPO——H-MPO 都是基于离散空间信息处理的 PPO 算法。

连续控制问题建议算法：

PPO+GAE——PPO 是对 TRPO 的简化版，本身就具有调参简单、鲁棒性强特点。而 GAE 指 Generalized Advantage Estimation，会根据经验轨迹生成优势函数的估计值，而后让 Critic 拟合该值，达到利用少量 trajectory 描述当前策略的目标，经验发现 GAE 虽可与多种 RL 算法结合，但与 PPO 结合效果最佳，训练最稳定、调参最简单。

SAC（Automating Temperature Parameterα版）——通过自动调整温度系数来使策略熵保持动态平衡，但有经验指出不适合最优策略有大量边界动作的任务，即若最优策略下的动作大量达到边界值时效果会变差，例如在控制机器人移动时全速移动通常是最优解，则不适合使用 SAC 算法，这主要原因是 SAC 在计算策略熵时使用了 tanh() 的导数项作为修正，使得动作值接近 - 1、+1 边界值时计算误差非常大，导致梯度方向出现错误，详见 如何选择深度强化学习算法：MuZero/SAC/PPO/TD3/DDPG/DQN/等算法

。另 SAC 对 reward function 比较敏感，通常会进行 scaling 的方式调整大小。

TD3—— Twin Delay DDPG，是 DDPG 的升级版，依托确定性策略用于处理在连续动作空间中进行处理学习，一般经验是 TD3 敏感的超参数很多，更适合擅于调参的人使用。与 SAC 不同，如果最优策略通常是边界值，则首先的算法就是 TD3。

（2）强化学习网络架构

共识是强化学习不需要过深的网络，因为多数算法是基于在线学习方式的，过深的网络反而会造成学习难度过大、与环境变化难以契合。一般情况下，宽度选择 128、256，而不要超过 10 层（一些程序员表示 2~3 层足够，普遍表示不要超过 8 层），在进行层的计算时以 weight 为基准，因此 LSTM 视作 2 层。

（3）状态信息归一化处理

结论是针对状态信息，不要使用批归一化处理，但可以使用类似 running mean std 的归一化技巧，且鼓励使用层归一化处理。

①不建议使用批归一化。

深度强化学习算法是否需要使用批归一化(Batch Norm) 或归一化，文本带你详解。 文章中有深入的探讨，简单说来，是由于深度强化学习与基于固定数据集训练的有监督学习不同，是在与环境不断的交互中在线学习的，因而训练数据并不稳定，当数据变动过大时（即出现大量的全新状态信息），BN（批归一化）层原有的均值与方差来不及适应新的数据，从而造成价值函数与策略函数的崩溃，曾伊言用一张图形象地表示了二者的区别，如下图中绿色直线表示有监督学习过程中由于采样数据稳定，BN 是由不稳定趋于稳定的；但在强化学习过程中，由于数据是不稳定造成当 BN 趋向稳定后（如橙色曲线）可能因为数据的不稳定造成进一步失稳（如红色曲线），两条经线不断循环，造成彻底失稳。

当然，并非所有实验条件下都会失稳，学界有一些研究也指出加入 BN 可以提升 RL 性能，这个分歧主要还是由于不同 RL 算法下状态采样变化频度不同所造成的，一般而言，RL 算法收敛快、学习效率高，则采样数据变化得快，加入 BN 后会带来负效果。

特例分析：使用批归一化的特例是自己状态转移与环境变化关系不大的情形，如你拿 100 元让强化学习智能体进行股票投资，根本不会对状态转移带来影响，则数据是可以使用批归一化的。

②建议使用 running mean std 的 trick

简单而言是构建一个随着批数据缓慢更新的均值与方差，并用于处理数据：

训练时
running_mean = (1 - momentum) * mean_old + momentum * mean_new
running_var = (1 - momentum) * var_old + momentum * var_new
测试时
running_mean = mean_old
running_var = var_old
先更新running_mean和running_var，再计算bn

曾伊言提出更简单的技巧：

1.开始DRL的训练，然后将历史训练数据保存在经验回放 (relpay buffer) 里
2.训练结束后，计算 replay buffer 里 state 每个维度的均值和方差，结束整个训练流程
3.下一次训练开始前，对所有输入网络的state用固定的均值和方差进行归一化
4.重复一两次此过程

实际在实现的过程中，将训练得到的状态值除以标准差再减去均值即可，可以节省大量性能开销。

③建议使用层归一化

层归一化的对象是神经元之间的张量数据，使其尽可能满足高斯白噪声化，可以直接使用 torch.nn.LayerNorm，按数据要求依次输入张量的各项参数即可，个人在实验中发现可以极大提升算法性能。

下图我基于图像像素的 Cartpole 实验，红色加入了 BN，蓝色为无 BN，深绿为加入了单层 LN，浅绿为加入了多层 LN，实验可以看出，BN 在训练后期带来的性能的下降，而 LN 取得了极好的效果。

（3）强化学习的 reward 设计

相比于状态信息的归一化，reward 不应执行归一化，可以进行放缩。而 Reward 设计主要针对两个方面，一个是每步均给出 Reward 值的辅助 Reward 设计，另一个是给出最终结果的最终 Reward 设计。

①Reward 值不可执行归一化

这是因为 reward 准确地对应于各个运作，加入归一化后使 reward 值减去均值，则在价值计算的过程中会难以避免地受到步长的影响，即随着时间步长按常数进行增加或减少，类似于在 reward 值会在奖励函数中引入非零常数的影响，使得贝尔曼公式 Q_t+1 = r_t + Q_t 存在了近似非零常数的影响，即 Q_t+1 = r_t + Q_t + c_t，造成智能体无需动作即能增加或减少 reward，破坏了环境的 reward function，从而造成价值函数与策略函数训练的困难。

特例分析：特例情况下，对 Reward 也可使用归一化，即当 Reward 不存在近似这种非零常数影响的前提下，则是可以对 Reward 使用归一化的，如智能体无论采取什么策略均不影响其在环境中的步数，即 reward 不会因为步数的长度改变，则可以引入批归一化处理。

②辅助 Reward 与最终 Reward 的设计原则

辅助 reward 属于在每个 step 均出现，用于引导智能体不断接近得到最终 reward，其主要设计原则有两个：

1 > 正负均衡，均负则智能体最终策略趋于保守，均为正则智能体最终策略，所以针对稠密的辅助 reward 值 R_tAsst 设计一定要正负均衡；

2 > 大小上不得影响最终 reward 值 R_tfinal，即其值在经γ帖现因子乘积后值应不大于最终 reward 值，因此需要首先对完成步数进行估计即 t_done，必须满足条件：R_tFinal > R_tAsst * (1 - γ)^ (t_done)

3> 辅助 reward 不可过大或过小，建议介于 - 1 到 +1 之间，而最终 reward 可以设置在满足最小条件的同规模数据上。

2.Off-policy 算法常见超参数

（1）γ-gamma 贴现因子

γ-gamma 其实描述的是智能体在做动作时需要考虑的 reward 的步数长，目前可以使用的两个经验公式分别是：

①t_len = 1 / (1 - gamma)
②gamma = 0.1^(1/t_len) ——》 t_len = (-lg(gamma))^-1

其中γ趋近于 1，则在计算中考虑步数越多，越趋近于无穷，因此γ不能选择为 1，因为这样会将无穷远的 reward 也考虑近来。γ取 0 则表示不考虑任何未来步数的影响，只考虑当前步的 reward 值进行训练。

通常情况下，可将γ设为 0.99。

第①个贴现因子的公式其实是由 Q 值的近似推导得来的，将 Q 值视作基于均值 r 的多步乘积：

（2）Frame Skipping / Drop Rate/ Drop out

针对 Frame Skipping 的设计与γ其实是相辅相成的，经验公式告诉了我们智能体可以考虑的步数，但若状态信息太稠密，则可以丢掉一些信息，达到 “快进” 效果。经验建议是，在深度强化学习中并不建议使用 Drop Rate，即便使用也选择非常小的 dropout rate（0~0.2）。

（3）Buffer Size

大型网络的智能体训练，Replay Buffer 的 Memory Size 起始值可以设计在 2^17 至 2^20 之间（即 1e6 至 1e7 的规模之间），如果 Buffer Size 过小，则不利于对稀有样本的训练，而过大也会造成旧有样本在缓存中存留时间过长从而阻碍策略优化。

（4）Batch Size

Batch Size 的选取主要是为了兼顾训练的稳定性与训练速度，有建议选择与网络宽度相同或略大的 batch size，一般可以从 128、256 在 2^N 进行尝试。建议将 Replay Buffer 的大小与 Replay 的数据量成一定的比例经验公式如下：

replay_max = 'the maximum capacity of replay buffer'
replay_len = len(ReplayBuffer)
k = 1 + replay_len / replay_max
batch_size   = int(k * basic_batch_size)

（5）Update Times 更新次数

更新次数也同样应与 Replay 的数据量成比例，经验公式如下：

replay_max = 'the maximum capacity of replay buffer'
replay_len = len(ReplayBuffer)
k = 1 + replay_len / replay_max
update_times = int(k * basic_update_times)
for _ in range(update_times):
    data = ReplayBuffer.random_sample(batch_size)
    ...

3. On-policy 算法常见超参数

由于 on-policy 是利用 replay buffer 中相同策略产生数据来更新策略网络的，所以部分超参数在设计上与 off-policy 具有天然地不同。

（1） Buffer Size

应大于等于单轮同一策略采样步数

（2） Batch Size

有关经验建议是 on-policy 方法使用稍大的学习率（2e-4，即 0.0002）以及更大的 batch size（2^9 ~ 2^12）且对于难调参的任务 batch size 可以设置得更大（2^14）些，更易获得单调上升的学习曲线

（3）Update Times

在线学习的更新次数也是可以通过单轮更新采样步数 step、batch size、以及数据重用次数 reuse time 来直接计算得到：

update_times = steps * reuse_times / batch_size

4. 离散动作常用超参数

（1）使用 Epsilon-Greedy 策略探索

通常情况下使用的是 epsilon decay 的方法，即初始ε值相对较大，使策略更随机便于探索，随时间增加后ε值不断衰减至某一固定值：

EPS_START = 0.9
EPS_END = 0.05   # Never less than 0.1
EPS_DECAY = 1000
EPS_threshold = EPS_START
EPS_threshold = EPS_END + (EPS_START - EPS_END) * exp(-1. * steps_done / EPS_DECAY)

退火（缩小与放大的周期性变化），一些博主尝试过并无特别效果，不建议使用。

（2）使用 Noisy 的策略探索

在网络中添加噪声得出带噪声的 Q 值，配合ε贪心策略使用，可以探索更多 Q 值更高的动作从而增加探索效率，但一些 Q 值更低的动作可能被覆盖，经验建议是噪声方差从 0.2 开始调整观察不同动作下 Q 值的方差辅助调参。

（3）输出离散动作的执行概率

利用 softmax 在输出动作 Q 值时额外输出执行概率，使智能体自行决策探索方式。

5. 连续动作相关超参数

①OU-noise （Ornstein-Uhlenbeck 噪声）——有评价指出 OU 噪声适用于惯性环境，或需要偷嘴的猫儿性不改实际机器人时，但大多实验条件下由于其带来了更多的超参数，多数不建议使用。

②连续动作空间值范围——建议选择 - 1~+1，无需为物理含义选择其他区间值。

6. 部分算法特有超参数

（1）TD3 我有超参数

①探索噪声方差 exploration noise std——先尝试较小值如 0.05，而后逐渐增大，一般不会超过 0.5，过大的噪声训练出来的智能体会让探索动作更接近单一的边界动作，也会临别秋波智能体性能，导致不容易探索到一些状态。

②策略噪声方差 policy noise std——策略噪声一般只需比探索噪声大 1~2 倍，其目的是使 Q 值函数更加光滑，提高训练稳定性，同时也结合可以使用加权重要性采样算出更稳定的 Q 值期望，策略噪声方差最大值也不应超过 0.5。

③延迟更新频率 delay update frequency——延迟更新主要是为了提升 network 的稳定性，因此当环境随机因素多的情形下，需要尝试更大延迟更新频率，如 1~8；提供策略梯度的 critic 可以多更新几次后再更新一次 actor，可尝试值为 1~4；提供策略梯度的 critic 可以有更大的学习率，如让 critic 学习率是 actor 的 0.1~1 倍；由于 critic 需要 处理比 actor 更多的数据，建议 critic 网络宽度略大于 actor。

④鼓励边界动作探索方法——将策略网络输出张量经激活函数 tanh 调整到 (-1, +1)；为输出的动作添加 clip 过的高斯噪声；对动作再进行一次 clip，将其调整到 (-1, +1)。

（2）PPO+GAE 超参数

①单轮更新的采样步数 sample step——指同策略下的一轮数据规模，在随机因素大的环境中需要加大采样步数，值一般为 2 的倍数，如 1024、2048、4096 等。通常环境是具有终止状态的，一般会在达到规定采样步数后继续采样，直到遇到终止状态，从而每段 trajectory 的完整性，同时方便 reward 结算。

②数据复用次数 reuse times——由于 PPO 只在 trust region 内更新，使得新旧策略差异一起限制在某个范围内，只要差异不太大，那么作为 on-policy 算法就能复用训练数据。而 Repaly buffer 中的每个样本的使用次数主要与学习率、batch size 以及拟合难度有关，由于深度强化学习通常使用比深度学习更小的学习率，如（1e-3~1e-4），建议先尝试偏小的数值避免过拟合的情况出现。如在 batch size 为 512 的情况下，复用次数建议选 8。如果放宽了对新旧策略的限制，动态鼓励探索，则需要减少 repeat times，防止新旧策略差异过大。

③限制新旧策略总体差异系数 lambda entropy ——推荐默认值罚 0.01，一般可选范围在 0.005~0.05，该值越大，则新旧策略越不同，过大时甚至会使得学习曲线下降。

④估计优势函数的裁剪 clip epsilon——即 clip ε，默认值为 0.2，通常值为（0.1~0.3），ratio 越小则信任域越窄，策略更新越谨慎。

⑤GAE 调整方差与偏差系数 lambda advantage——默认值为 0.98，可选值一般在 0.96~0.99，调整λ advantage 的目的是在方差与偏差之间取得均衡，使其覆盖

（3）SAC 特有超参数

①奖励放缩 reward scale ——直接让 reward 乘以一个常数 k，在不破坏 reward function 的前提下调整 reward 值，从而间接调整 Q 值到合适大小，经验上进行 reward 目标调整的值主要是将整个 epsiode 的累积收益范围落在 - 1000 ~ +1000 以内，另也建议 Q 值的绝对值小于 256，100 以内时更方便神经网络拟合。

②温度系数 alpha （目标策略熵 target entropy）——第二版的 SAC 已经加入了温度系数α的自动调整机制，使得策略熵维持在目标熵附近，不因过大而影响优化，也不因过小而影响探索。策略熵与目标熵对 SAC 一般不敏感，采用默认值即可：

策略熵    policy_entropy = log_prob = -log(sum(...))
目标熵    target_entropy  = -log(action.shape)

有时策略的熵过大导致智能体无法探索到优势的 state，则需要 将目标熵调小。

③温度系数学习率——α最好使用 log 形式进行优化，学习率与网络参数的学习率应保持一致，一般为 1e-4，当环境随机因素过大导致每个 batch 算出来的策略熵 log_prob 不稳定时，则需要调小温度系数的学习率。

④温度系数初始值——α的初始值可以随意设置，一般均能自动调整到合适的值，设置为 log(1) 会延长 SAC 预热时间，经验是选择更小的值使得计算出来 Q 值的大小绝对值在 128 范围内。