TD3算法实战:用PyTorch从零搭建强化学习模型(附完整代码)

news2026/3/17 0:43:43
TD3算法实战用PyTorch从零搭建强化学习模型附完整代码强化学习在机器人控制、自动驾驶等领域展现出巨大潜力而TD3算法作为DDPG的升级版本凭借其稳定性和高效性成为处理连续动作空间问题的首选。本文将带你从零开始实现一个完整的TD3模型不仅包含核心代码解析还会分享实际训练中的调参技巧和常见陷阱。1. TD3算法核心原理TD3Twin Delayed Deep Deterministic policy gradient算法通过三项关键技术改进解决了DDPG中Q值高估的问题双重Critic网络使用两个独立的Q网络进行价值估计取较小值作为更新目标延迟策略更新Critic网络更新频率高于Actor网络通常比例为2:1目标策略平滑在目标动作上添加受限噪声防止策略过拟合# 双重Critic网络结构示例 class TwinCritic(nn.Module): def __init__(self, state_dim, action_dim): super().__init__() # 第一个Q网络 self.q1_linear1 nn.Linear(state_dim action_dim, 256) self.q1_linear2 nn.Linear(256, 256) self.q1_output nn.Linear(256, 1) # 第二个Q网络 self.q2_linear1 nn.Linear(state_dim action_dim, 256) self.q2_linear2 nn.Linear(256, 256) self.q2_output nn.Linear(256, 1)注意实际实现时需要确保两个Q网络的初始化参数不同否则会失去双重估计的意义2. 环境配置与数据准备2.1 安装依赖环境推荐使用conda创建隔离的Python环境conda create -n td3 python3.8 conda activate td3 pip install torch1.12.1 gym0.21.0 numpy matplotlib2.2 经验回放缓冲区实现高效的经验回放是稳定训练的关键要素class ReplayBuffer: def __init__(self, capacity): self.buffer deque(maxlencapacity) 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) return zip(*transitions) def __len__(self): return len(self.buffer)参数推荐值作用说明capacity1e6缓冲区容量batch_size256每次采样数量seed42随机种子3. 核心网络架构实现3.1 Actor策略网络策略网络直接输出确定性动作class Actor(nn.Module): def __init__(self, state_dim, action_dim, max_action): super().__init__() self.net nn.Sequential( nn.Linear(state_dim, 256), nn.ReLU(), nn.Linear(256, 256), nn.ReLU(), nn.Linear(256, action_dim), nn.Tanh() ) self.max_action max_action def forward(self, state): return self.max_action * self.net(state)3.2 Critic价值网络双重Q网络结构设计要点两个独立的前向传播路径共享底层特征提取层可选最后输出层保持独立class Critic(nn.Module): def __init__(self, state_dim, action_dim): super().__init__() # Q1网络 self.q1 nn.Sequential( nn.Linear(state_dim action_dim, 256), nn.ReLU(), nn.Linear(256, 256), nn.ReLU(), nn.Linear(256, 1) ) # Q2网络 self.q2 nn.Sequential( nn.Linear(state_dim action_dim, 256), nn.ReLU(), nn.Linear(256, 256), nn.ReLU(), nn.Linear(256, 1) ) def forward(self, state, action): sa torch.cat([state, action], dim1) return self.q1(sa), self.q2(sa) def q1_value(self, state, action): sa torch.cat([state, action], dim1) return self.q1(sa)4. 完整训练流程实现4.1 训练循环框架def train(env, agent, buffer, episodes1000): for ep in range(episodes): state env.reset() episode_reward 0 while True: action agent.select_action(state) next_state, reward, done, _ env.step(action) buffer.add(state, action, reward, next_state, done) if len(buffer) batch_size: agent.update(buffer) state next_state episode_reward reward if done: break4.2 关键参数设置# 超参数配置 config { gamma: 0.99, # 折扣因子 tau: 0.005, # 软更新系数 policy_noise: 0.2, # 策略噪声系数 noise_clip: 0.5, # 噪声裁剪范围 policy_freq: 2, # 策略更新频率 lr_actor: 1e-4, # Actor学习率 lr_critic: 1e-3 # Critic学习率 }4.3 模型更新逻辑def update(self, buffer): # 采样批次数据 state, action, reward, next_state, done buffer.sample(batch_size) # 计算目标Q值 with torch.no_grad(): noise (torch.randn_like(action) * self.policy_noise).clamp( -self.noise_clip, self.noise_clip) next_action (self.actor_target(next_state) noise).clamp( -self.max_action, self.max_action) target_Q1, target_Q2 self.critic_target(next_state, next_action) target_Q torch.min(target_Q1, target_Q2) target_Q reward (1 - done) * self.gamma * target_Q # 更新Critic current_Q1, current_Q2 self.critic(state, action) critic_loss F.mse_loss(current_Q1, target_Q) F.mse_loss(current_Q2, target_Q) self.critic_optimizer.zero_grad() critic_loss.backward() self.critic_optimizer.step() # 延迟更新Actor和目标网络 if self.total_it % self.policy_freq 0: actor_loss -self.critic.q1_value(state, self.actor(state)).mean() self.actor_optimizer.zero_grad() actor_loss.backward() self.actor_optimizer.step() # 软更新目标网络 soft_update(self.critic, self.critic_target, self.tau) soft_update(self.actor, self.actor_target, self.tau)5. 实战调试技巧5.1 常见问题排查训练不稳定检查经验回放缓冲区是否足够大验证目标网络更新是否正常调整策略噪声幅度回报不增长尝试降低学习率检查网络初始化方式增加探索噪声5.2 性能优化建议# 使用自动混合精度训练加速 scaler torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): # 前向计算 current_Q1, current_Q2 self.critic(state, action) critic_loss F.mse_loss(current_Q1, target_Q) F.mse_loss(current_Q2, target_Q) # 反向传播 self.critic_optimizer.zero_grad() scaler.scale(critic_loss).backward() scaler.step(self.critic_optimizer) scaler.update()5.3 可视化监控# 使用TensorBoard记录训练过程 from torch.utils.tensorboard import SummaryWriter writer SummaryWriter() writer.add_scalar(Loss/actor, actor_loss.item(), global_step) writer.add_scalar(Loss/critic, critic_loss.item(), global_step) writer.add_scalar(Reward/episode, episode_reward, ep)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2417688.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…