最近在啃强化学习翻到第八章第18页 Policy Gradient 的时候我明显感觉到自己撞在了一堵墙上。前面 Q-learning、DQN 这些内容好歹还有“表格”“近似函数”这种看得见摸得着的抓手可策略梯度一上来就给你满页的期望符号、对数概率、梯度展开第一遍读下来基本是滑过去的。后来我拿着纸笔把每一步推导拆开重写又动手写了一个最朴素的 REINFORCE 跑在经典控制环境上才算把这条技术线真正理顺。这篇就把我对 Policy Gradient 的完整理解倒出来从“它到底在解决什么问题”讲起到那条核心公式的推导直觉再到一份能跑通的极简实现以及我实际调试中踩过的坑。适合已经了解 Q-learning、正在往策略梯度方法过渡的人也适合想在项目里快速上手决策控制算法的工程师。1. 为什么价值函数方法不够用策略梯度的出场逻辑1.1 价值函数方法的两道天花板价值函数方法包括 DQN 这类深度强化学习算法核心思路是先估计每个状态-动作对的价值然后从价值函数里“挑”出最优动作。这套路在游戏场景里确实很能打但你往现实问题里放就会发现它有两个很普通的限制。第一个限制是连续动作空间。假设你要控制一个机械臂的关节力矩每个关节的输出就是一个连续实数比如 -1 到 1 牛米。价值函数方法需要比较所有动作的 Q 值大小在连续空间里你没法枚举所有动作——总不能把力矩按 0.01 间隔全部遍历一遍关节一多维度直接爆炸。现实中的机器人控制、自动驾驶、能源调度动作空间几乎都是连续的这是价值函数方法一道实打实的天花板。第二个限制更隐蔽价值函数方法天然输出确定性策略也就是“在某个状态最优动作是固定的那一个”。但很多问题的最优策略本来就是随机策略。最经典的例子是石头剪刀布如果策略是确定性的对手摸到规律之后你就一把都赢不了。再比如不完全信息博弈、信息受限的感知决策场景随机性本身就是策略的一部分。Q-learning 里的 epsilon 贪心只能算一个临时补丁它让策略偶尔随机一下是为了探索但本质上还是把最优动作找出来而不是真正学会一个带概率分布的决策方式。1.2 把策略本身参数化成一条可调的曲线Policy Gradient 换了一个完全不同的思路既然价值函数方法绕了一道“先估价值、再选动作”的弯那还不如直接把策略本身参数化让策略输出每个动作的概率。假设我们用 θ 表示策略参数那么策略就是一个概率分布 π_θ(a|s)这个分布在状态 s 下给出选择动作 a 的概率。目标也随之改变。价值函数方法追求的是让 Q 值尽可能逼近真实价值而 Policy Gradient 直接优化一个更原始的指标——策略的期望累积回报J(θ) E_{τ~π_θ}[R(τ)]这里 τ 表示一条完整轨迹也就是从初始状态开始策略与环境交互到结束的全过程R(τ) 是这条轨迹上所有折扣奖励的总和。整个目标的含义非常直觉我们希望找到一组参数 θ让“按这个策略跑出来的轨迹平均回报”最大。到这里问题变成了一个标准的“黑箱优化”问题决策过程内部包含环境转移、状态反馈我们往往不知道环境的完整动态模型但可以通过采样来估计这条轨迹的回报。剩下的核心就是在不知道环境模型的情况下如何求出 J(θ) 对参数 θ 的梯度这正是策略梯度方法整条推导线的起点。1.3 为什么梯度方向比随机搜索靠谱有人可能会问不就是让平均回报变大吗我随机给参数加噪声、跑一批轨迹看哪个参数表现好保留好的参数不就行了这确实是进化策略一族干的事情简单直接但样本效率低到令人发指。参数维度一高随机搜索在庞大参数空间里漫无目的地试探绝大多数扰动都踩在无用的方向上。梯度方法的优势在于它通过策略概率对参数的导数告诉你“在当前参数附近往哪个方向调整能让期望回报增长得最快”。即使每次采样的梯度估计有噪声平均下来它依然指向真实梯度的方向。这就相当于你站在山坡上有根拐杖每次往前试探一下脚底传来的坡度信息能引导你往上爬而不是闭上眼睛瞎跑。策略梯度的整个理论框架其实就是为了把这根拐杖造出来。2. 策略梯度核心公式的推导直觉2.1 log-trick把梯度挪进期望里面推导的核心难点在于轨迹的分布由当前策略决定采样过程本身不可微。你无法直接对“样本”求梯度但可以对“采样概率”求梯度。这里用到一个在统计里非常常见的技巧叫做对数概率梯度恒等式∇_θ π_θ(a|s) π_θ(a|s) · ∇_θ log π_θ(a|s)这个恒等式看着简单但它解决了策略梯度的大半问题。把左边那个“对概率求梯度”改写为右边“概率值乘上对对数概率求梯度”之后我们就可以把梯度搬进期望号里面。整个过程大致是∇_θ J(θ) ∇_θ ∫ P(τ|θ)R(τ)dτ ∫ P(τ|θ)∇_θ log P(τ|θ)R(τ)dτ E_{τ~π_θ}[∇_θ log P(τ|θ)·R(τ)]然后进一步展开 log P(τ|θ)轨迹的概率由策略和环境动态共同决定。展开后可以发现环境动态部分不依赖于参数 θ求梯度时直接归零真正留下来的只有策略项∇_θ J(θ) E_{τ~π_θ}[ Σ_{t1}^T ∇_θ log π_θ(a_t|s_t) · R(τ) ]这个公式漂亮就漂亮在环境模型完全不需要出现在表达式里。哪怕你不知道状态怎么转移只要你能采样轨迹就能用观测到的轨迹去估计这个梯度。2.2 REINFORCE整条轨迹的成绩单基于上面这个公式最简单的策略梯度算法就是 REINFORCE它的执行流程非常朴素用当前策略 π_θ 采样一条完整轨迹计算这条轨迹的折扣总回报 R(τ)对轨迹上的每一个时间步计算 ∇_θ log π_θ(a_t|s_t) 并乘以 R(τ)把所有时间步的梯度加总取平均作为这次采样的梯度估计沿梯度方向更新参数θ ← θ α·梯度回到第 1 步循环迭代。把公式翻译成人话每条轨迹就像一张成绩单。如果某条轨迹的总回报是正数我们就奖励这条轨迹上出现过的所有动作让它们未来的出现概率都升高如果总回报是负数我们就惩罚这些动作让它们的概率降低。所有动作共享同一张成绩单一荣俱荣、一损俱损。2.3 高方差的根源用少数样本来猜全局理解了流程你就能理解为什么策略梯度方法有一个臭名昭著的毛病——方差大。因为我们需要用采样轨迹的回报来估计期望梯度而每条轨迹的回报本身波动就非常大。同一个策略跑两条轨迹一条可能拿到了高分另一条可能早早失败两者的回报差异巨大。REINFORCE 把整条轨迹的总回报平均地分给每一个时间步这里其实存在两个问题第一轨迹之间的随机性没有做任何平滑第二某个动作明明只产生了 3 步之后的效果却要承担整条轨迹所有奖励的功劳或责任这一点在技术上叫做 credit assignment 问题。方差大带来的直接后果是训练不稳定明明策略在变好某一次采样运气差了梯度方向就可能完全跑偏运气好了又可能让策略被一次偶然的高分轨迹裹挟。所以策略梯度算法的全部演进史基本上就是在跟“方差”这两个字做斗争。3. 从零实现一个能跑的 REINFORCE3.1 实验设定与网络结构我建议第一次实操选一个轻量级的控制任务比如经典的倒立摆环境CartPole。这个环境状态是连续的动作是离散的很适合用来验证策略梯度基础实现。网络不需要复杂两层全连接就够输入层接状态向量中间层用 ReLU输出层给两个动作的 logits再接一个 softmax 得到动作概率分布。以下是我用的简化结构import torch import torch.nn as nn from torch.distributions import Categorical class PolicyNet(nn.Module): def __init__(self, obs_dim4, hidden_dim128, act_dim2): super().__init__() self.net nn.Sequential( nn.Linear(obs_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, act_dim) ) def forward(self, obs): logits self.net(obs) return Categorical(logitslogits)这里的输出是一个 Categorical 分布对象它会根据 logits 自动算出各个动作的概率同时提供 sample() 方法和 log_prob() 方法正好对应 REINFORCE 里需要的“采样”和“算对数概率梯度”。3.2 训练闭环采样、算回报、更新训练循环就是采样一条轨迹保存每一步的动作对数概率和奖励然后反向传播更新。核心在于奖励的处理这一步也是新手最容易写错的地方。折扣回报需要从轨迹末尾往前逆推def compute_returns(rewards, gamma0.99): returns [] G 0 for r in reversed(rewards): G r gamma * G returns.insert(0, G) return torch.tensor(returns, dtypetorch.float32)损失函数看起来非常反直觉——为什么最大化回报要写成“最小化某个带负号的式子”原因是我们习惯用深度学习框架的 loss.backward() 做梯度下降所以要取负号把“上升”变成“下降”loss -(log_probs * returns).mean() loss.backward() optimizer.step()其中 log_probs 是整条轨迹上每个动作的对数概率张量returns 是对应的折扣回报。用乘法对齐之后取平均就是这个 batch 的近似梯度。3.3 关键的一步回报归一化我强烈建议在算 loss 之前把 returns 做一次标准化也就是减均值除以标准差returns (returns - returns.mean()) / (returns.std() 1e-8)这一步不在原始 REINFORCE 的推导里但属于实践中的标准做法。因为回报的绝对值大小会影响梯度更新的幅度不同任务、不同环境的回报尺度差异很大直接乘上去很容易让更新步子时大时小。归一化之后训练收敛明显更稳。这个操作可以看做一个最简单的 baseline 技巧它不会改变梯度的无偏性但能显著压低方差。3.4 三个我踩过的坑第一个坑是用同一条轨迹数据跑多次梯度更新。REINFORCE 的梯度估计依赖当前策略的采样分布轨迹是从旧策略采出来的数据和策略已经对不上了。你多更新几步就是在拿过期的数据训练新策略很容易发散。正确做法是一条轨迹采完更新一次扔掉重新采样。第二个坑是学习率贪心。REINFORCE 的梯度估计方差本来就大学习率稍微调高一点就会剧烈震荡。我第一次跑的时候设了 0.01曲线像心电图一样疯狂跳动。后来降到 1e-3 才稳定。这个算法真的吃不了大补药。第三个坑是不看策略熵。策略训练到后期可能退化成确定性策略输出概率变成 1 和 0熵归零。这种情况下训练曲线可能还在涨但策略已经失去了探索能力一旦环境有扰动就会脆断。每次训练循环里顺手打印一下策略熵能帮你及时发现这个苗头。4. 常见问题排查与调参实战4.1 训练不收敛先查这几个方向如果奖励曲线连续很多个 episode 都没有爬升趋势我一般先查 gamma 和学习率。gamma 太大会让长期回报的方差不断累积太小又会让算法只盯着眼前奖励学不到长程决策。倒立摆这类短 horizon 任务0.99 是个比较稳的起点但真正合适的值还是得自己扫几轮。另一个容易忽略的问题是环境本身的终止条件。倒立摆的奖励到 500 步会截断如果你不处理这种“截断”和“真正失败”的区别算法很容易把 500 步截断当成高分回报产生虚假的梯度信号。处理办法是在计算回报时对截断状态做特殊标记或者简单一点把环境的最大步数设短一点让算法更频繁地看到完整的失败轨迹。4.2 方差压缩的三板斧第一板斧是用 reward-to-go 替代整条轨迹回报。整条轨迹的总回报把早期奖励也算进了当前动作的功劳簿但从因果上讲当前动作只影响当前及未来的奖励。所以更合理的做法是让每个动作只对“从当前时刻开始到轨迹结束”的累积回报负责环境回馈的过往奖励不该算进来。第二板斧就是 baseline。最省事的 baseline 是回报均值因为数学上可以证明减去一个不依赖动作的常数不会改变梯度的期望但能显著降低方差。我前面说的归一化操作就是它的一种实现。第三板斧是往损失里加策略熵正则项损失函数变成loss -(log_probs * returns).mean() - beta * entropy.mean()entropy 是当前策略分布的熵beta 是一个很小的系数比如 0.01。加这项的目的是惩罚“过于确定的策略”强迫策略保留一定的随机性。这不会直接压缩方差但能防止策略过早收敛到局部确定性策略间接提升稳定性。4.3 真正有用的几个 Debug 手段比起整天盯着平均奖励曲线我更推荐打印三个量每个 episode 的策略熵、动作对数概率的梯度的范数、以及回报归一化之后的均值标准差。策略熵如果快速掉到接近 0先看是不是学习率太大梯度范数如果忽大忽小看是不是回报尺度没处理好。还有一个经验把每次 episode 的步数画成散点图比画 loss 曲线直观得多。在倒立摆环境里episode 步数就是最直接的学习进度条。你会发现这个曲线不是平滑上升的而是充满毛刺但那不代表算法坏了——策略梯度本来就允许表现有波动只要整体趋势往上就说明方向是对的。我第一次看到这种锯齿状曲线时差点放弃调参后来才意识到这是策略梯度的工作方式。5. 写在最后的个人体会我实操完 REINFORCE 之后最大的收获不是看到奖励曲线终于爬上去那一刻的兴奋而是终于明白了为什么策略梯度之后还会演化出 PPO、A3C 这一大堆方法。所有这些改进本质上都是在回答同一个问题怎么在保持梯度无偏的前提下把方差压得更低。理解了 REINFORCE 的缺陷再去看后续那些算法会顺畅很多。所以如果你也正卡在这个章节我的建议很简单第一动手把那个梯度公式从目标函数开始推一遍别只看结论第二把最朴素的 REINFORCE 写在纸上、跑在机器上哪怕它跑得并不漂亮。这两件事做完你再看策略梯度这家人的其他方法心态会完全不一样。最后再分享一个小技巧打印日志时把“当前策略熵”带上这是我排查训练异常时最先看的指标比奖励值可靠得多。
最近在啃强化学习翻到第八章第18页 Policy Gradient 的时候我明显感觉到自己撞在了一堵墙上。前面 Q-learning、DQN 这些内容好歹还有“表格”“近似函数”这种看得见摸得着的抓手可策略梯度一上来就给你满页的期望符号、对数概率、梯度展开第一遍读下来基本是滑过去的。后来我拿着纸笔把每一步推导拆开重写又动手写了一个最朴素的 REINFORCE 跑在经典控制环境上才算把这条技术线真正理顺。这篇就把我对 Policy Gradient 的完整理解倒出来从“它到底在解决什么问题”讲起到那条核心公式的推导直觉再到一份能跑通的极简实现以及我实际调试中踩过的坑。适合已经了解 Q-learning、正在往策略梯度方法过渡的人也适合想在项目里快速上手决策控制算法的工程师。1. 为什么价值函数方法不够用策略梯度的出场逻辑1.1 价值函数方法的两道天花板价值函数方法包括 DQN 这类深度强化学习算法核心思路是先估计每个状态-动作对的价值然后从价值函数里“挑”出最优动作。这套路在游戏场景里确实很能打但你往现实问题里放就会发现它有两个很普通的限制。第一个限制是连续动作空间。假设你要控制一个机械臂的关节力矩每个关节的输出就是一个连续实数比如 -1 到 1 牛米。价值函数方法需要比较所有动作的 Q 值大小在连续空间里你没法枚举所有动作——总不能把力矩按 0.01 间隔全部遍历一遍关节一多维度直接爆炸。现实中的机器人控制、自动驾驶、能源调度动作空间几乎都是连续的这是价值函数方法一道实打实的天花板。第二个限制更隐蔽价值函数方法天然输出确定性策略也就是“在某个状态最优动作是固定的那一个”。但很多问题的最优策略本来就是随机策略。最经典的例子是石头剪刀布如果策略是确定性的对手摸到规律之后你就一把都赢不了。再比如不完全信息博弈、信息受限的感知决策场景随机性本身就是策略的一部分。Q-learning 里的 epsilon 贪心只能算一个临时补丁它让策略偶尔随机一下是为了探索但本质上还是把最优动作找出来而不是真正学会一个带概率分布的决策方式。1.2 把策略本身参数化成一条可调的曲线Policy Gradient 换了一个完全不同的思路既然价值函数方法绕了一道“先估价值、再选动作”的弯那还不如直接把策略本身参数化让策略输出每个动作的概率。假设我们用 θ 表示策略参数那么策略就是一个概率分布 π_θ(a|s)这个分布在状态 s 下给出选择动作 a 的概率。目标也随之改变。价值函数方法追求的是让 Q 值尽可能逼近真实价值而 Policy Gradient 直接优化一个更原始的指标——策略的期望累积回报J(θ) E_{τ~π_θ}[R(τ)]这里 τ 表示一条完整轨迹也就是从初始状态开始策略与环境交互到结束的全过程R(τ) 是这条轨迹上所有折扣奖励的总和。整个目标的含义非常直觉我们希望找到一组参数 θ让“按这个策略跑出来的轨迹平均回报”最大。到这里问题变成了一个标准的“黑箱优化”问题决策过程内部包含环境转移、状态反馈我们往往不知道环境的完整动态模型但可以通过采样来估计这条轨迹的回报。剩下的核心就是在不知道环境模型的情况下如何求出 J(θ) 对参数 θ 的梯度这正是策略梯度方法整条推导线的起点。1.3 为什么梯度方向比随机搜索靠谱有人可能会问不就是让平均回报变大吗我随机给参数加噪声、跑一批轨迹看哪个参数表现好保留好的参数不就行了这确实是进化策略一族干的事情简单直接但样本效率低到令人发指。参数维度一高随机搜索在庞大参数空间里漫无目的地试探绝大多数扰动都踩在无用的方向上。梯度方法的优势在于它通过策略概率对参数的导数告诉你“在当前参数附近往哪个方向调整能让期望回报增长得最快”。即使每次采样的梯度估计有噪声平均下来它依然指向真实梯度的方向。这就相当于你站在山坡上有根拐杖每次往前试探一下脚底传来的坡度信息能引导你往上爬而不是闭上眼睛瞎跑。策略梯度的整个理论框架其实就是为了把这根拐杖造出来。2. 策略梯度核心公式的推导直觉2.1 log-trick把梯度挪进期望里面推导的核心难点在于轨迹的分布由当前策略决定采样过程本身不可微。你无法直接对“样本”求梯度但可以对“采样概率”求梯度。这里用到一个在统计里非常常见的技巧叫做对数概率梯度恒等式∇_θ π_θ(a|s) π_θ(a|s) · ∇_θ log π_θ(a|s)这个恒等式看着简单但它解决了策略梯度的大半问题。把左边那个“对概率求梯度”改写为右边“概率值乘上对对数概率求梯度”之后我们就可以把梯度搬进期望号里面。整个过程大致是∇_θ J(θ) ∇_θ ∫ P(τ|θ)R(τ)dτ ∫ P(τ|θ)∇_θ log P(τ|θ)R(τ)dτ E_{τ~π_θ}[∇_θ log P(τ|θ)·R(τ)]然后进一步展开 log P(τ|θ)轨迹的概率由策略和环境动态共同决定。展开后可以发现环境动态部分不依赖于参数 θ求梯度时直接归零真正留下来的只有策略项∇_θ J(θ) E_{τ~π_θ}[ Σ_{t1}^T ∇_θ log π_θ(a_t|s_t) · R(τ) ]这个公式漂亮就漂亮在环境模型完全不需要出现在表达式里。哪怕你不知道状态怎么转移只要你能采样轨迹就能用观测到的轨迹去估计这个梯度。2.2 REINFORCE整条轨迹的成绩单基于上面这个公式最简单的策略梯度算法就是 REINFORCE它的执行流程非常朴素用当前策略 π_θ 采样一条完整轨迹计算这条轨迹的折扣总回报 R(τ)对轨迹上的每一个时间步计算 ∇_θ log π_θ(a_t|s_t) 并乘以 R(τ)把所有时间步的梯度加总取平均作为这次采样的梯度估计沿梯度方向更新参数θ ← θ α·梯度回到第 1 步循环迭代。把公式翻译成人话每条轨迹就像一张成绩单。如果某条轨迹的总回报是正数我们就奖励这条轨迹上出现过的所有动作让它们未来的出现概率都升高如果总回报是负数我们就惩罚这些动作让它们的概率降低。所有动作共享同一张成绩单一荣俱荣、一损俱损。2.3 高方差的根源用少数样本来猜全局理解了流程你就能理解为什么策略梯度方法有一个臭名昭著的毛病——方差大。因为我们需要用采样轨迹的回报来估计期望梯度而每条轨迹的回报本身波动就非常大。同一个策略跑两条轨迹一条可能拿到了高分另一条可能早早失败两者的回报差异巨大。REINFORCE 把整条轨迹的总回报平均地分给每一个时间步这里其实存在两个问题第一轨迹之间的随机性没有做任何平滑第二某个动作明明只产生了 3 步之后的效果却要承担整条轨迹所有奖励的功劳或责任这一点在技术上叫做 credit assignment 问题。方差大带来的直接后果是训练不稳定明明策略在变好某一次采样运气差了梯度方向就可能完全跑偏运气好了又可能让策略被一次偶然的高分轨迹裹挟。所以策略梯度算法的全部演进史基本上就是在跟“方差”这两个字做斗争。3. 从零实现一个能跑的 REINFORCE3.1 实验设定与网络结构我建议第一次实操选一个轻量级的控制任务比如经典的倒立摆环境CartPole。这个环境状态是连续的动作是离散的很适合用来验证策略梯度基础实现。网络不需要复杂两层全连接就够输入层接状态向量中间层用 ReLU输出层给两个动作的 logits再接一个 softmax 得到动作概率分布。以下是我用的简化结构import torch import torch.nn as nn from torch.distributions import Categorical class PolicyNet(nn.Module): def __init__(self, obs_dim4, hidden_dim128, act_dim2): super().__init__() self.net nn.Sequential( nn.Linear(obs_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, act_dim) ) def forward(self, obs): logits self.net(obs) return Categorical(logitslogits)这里的输出是一个 Categorical 分布对象它会根据 logits 自动算出各个动作的概率同时提供 sample() 方法和 log_prob() 方法正好对应 REINFORCE 里需要的“采样”和“算对数概率梯度”。3.2 训练闭环采样、算回报、更新训练循环就是采样一条轨迹保存每一步的动作对数概率和奖励然后反向传播更新。核心在于奖励的处理这一步也是新手最容易写错的地方。折扣回报需要从轨迹末尾往前逆推def compute_returns(rewards, gamma0.99): returns [] G 0 for r in reversed(rewards): G r gamma * G returns.insert(0, G) return torch.tensor(returns, dtypetorch.float32)损失函数看起来非常反直觉——为什么最大化回报要写成“最小化某个带负号的式子”原因是我们习惯用深度学习框架的 loss.backward() 做梯度下降所以要取负号把“上升”变成“下降”loss -(log_probs * returns).mean() loss.backward() optimizer.step()其中 log_probs 是整条轨迹上每个动作的对数概率张量returns 是对应的折扣回报。用乘法对齐之后取平均就是这个 batch 的近似梯度。3.3 关键的一步回报归一化我强烈建议在算 loss 之前把 returns 做一次标准化也就是减均值除以标准差returns (returns - returns.mean()) / (returns.std() 1e-8)这一步不在原始 REINFORCE 的推导里但属于实践中的标准做法。因为回报的绝对值大小会影响梯度更新的幅度不同任务、不同环境的回报尺度差异很大直接乘上去很容易让更新步子时大时小。归一化之后训练收敛明显更稳。这个操作可以看做一个最简单的 baseline 技巧它不会改变梯度的无偏性但能显著压低方差。3.4 三个我踩过的坑第一个坑是用同一条轨迹数据跑多次梯度更新。REINFORCE 的梯度估计依赖当前策略的采样分布轨迹是从旧策略采出来的数据和策略已经对不上了。你多更新几步就是在拿过期的数据训练新策略很容易发散。正确做法是一条轨迹采完更新一次扔掉重新采样。第二个坑是学习率贪心。REINFORCE 的梯度估计方差本来就大学习率稍微调高一点就会剧烈震荡。我第一次跑的时候设了 0.01曲线像心电图一样疯狂跳动。后来降到 1e-3 才稳定。这个算法真的吃不了大补药。第三个坑是不看策略熵。策略训练到后期可能退化成确定性策略输出概率变成 1 和 0熵归零。这种情况下训练曲线可能还在涨但策略已经失去了探索能力一旦环境有扰动就会脆断。每次训练循环里顺手打印一下策略熵能帮你及时发现这个苗头。4. 常见问题排查与调参实战4.1 训练不收敛先查这几个方向如果奖励曲线连续很多个 episode 都没有爬升趋势我一般先查 gamma 和学习率。gamma 太大会让长期回报的方差不断累积太小又会让算法只盯着眼前奖励学不到长程决策。倒立摆这类短 horizon 任务0.99 是个比较稳的起点但真正合适的值还是得自己扫几轮。另一个容易忽略的问题是环境本身的终止条件。倒立摆的奖励到 500 步会截断如果你不处理这种“截断”和“真正失败”的区别算法很容易把 500 步截断当成高分回报产生虚假的梯度信号。处理办法是在计算回报时对截断状态做特殊标记或者简单一点把环境的最大步数设短一点让算法更频繁地看到完整的失败轨迹。4.2 方差压缩的三板斧第一板斧是用 reward-to-go 替代整条轨迹回报。整条轨迹的总回报把早期奖励也算进了当前动作的功劳簿但从因果上讲当前动作只影响当前及未来的奖励。所以更合理的做法是让每个动作只对“从当前时刻开始到轨迹结束”的累积回报负责环境回馈的过往奖励不该算进来。第二板斧就是 baseline。最省事的 baseline 是回报均值因为数学上可以证明减去一个不依赖动作的常数不会改变梯度的期望但能显著降低方差。我前面说的归一化操作就是它的一种实现。第三板斧是往损失里加策略熵正则项损失函数变成loss -(log_probs * returns).mean() - beta * entropy.mean()entropy 是当前策略分布的熵beta 是一个很小的系数比如 0.01。加这项的目的是惩罚“过于确定的策略”强迫策略保留一定的随机性。这不会直接压缩方差但能防止策略过早收敛到局部确定性策略间接提升稳定性。4.3 真正有用的几个 Debug 手段比起整天盯着平均奖励曲线我更推荐打印三个量每个 episode 的策略熵、动作对数概率的梯度的范数、以及回报归一化之后的均值标准差。策略熵如果快速掉到接近 0先看是不是学习率太大梯度范数如果忽大忽小看是不是回报尺度没处理好。还有一个经验把每次 episode 的步数画成散点图比画 loss 曲线直观得多。在倒立摆环境里episode 步数就是最直接的学习进度条。你会发现这个曲线不是平滑上升的而是充满毛刺但那不代表算法坏了——策略梯度本来就允许表现有波动只要整体趋势往上就说明方向是对的。我第一次看到这种锯齿状曲线时差点放弃调参后来才意识到这是策略梯度的工作方式。5. 写在最后的个人体会我实操完 REINFORCE 之后最大的收获不是看到奖励曲线终于爬上去那一刻的兴奋而是终于明白了为什么策略梯度之后还会演化出 PPO、A3C 这一大堆方法。所有这些改进本质上都是在回答同一个问题怎么在保持梯度无偏的前提下把方差压得更低。理解了 REINFORCE 的缺陷再去看后续那些算法会顺畅很多。所以如果你也正卡在这个章节我的建议很简单第一动手把那个梯度公式从目标函数开始推一遍别只看结论第二把最朴素的 REINFORCE 写在纸上、跑在机器上哪怕它跑得并不漂亮。这两件事做完你再看策略梯度这家人的其他方法心态会完全不一样。最后再分享一个小技巧打印日志时把“当前策略熵”带上这是我排查训练异常时最先看的指标比奖励值可靠得多。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
