强化学习从PG到PPO（基于百度飞桨PaddlePaddle+PARL）

前段时间抽空学习了《百度强化学习基础课程》强化学习7日打卡营-世界冠军带你从零实践，总共七天的视频+线上作业（视频地址：世界冠军带你从零实践强化学习），让我这个小白基本对于强化学习有了简单的理解，知识虽然是灌进脑袋里，但仍是一团浆糊，好记性不如烂笔头，后续会多写笔记整理下自己的对于课程所学的理解、思考和发散，今天先从最简单的PG算法开始，然后到最近刚有了解的PPO算法。

PG算法原理

PG算法即是基于策略（Policy-based），不同于Value-based的算法的Q函数，其是直接优化策略函函数，在深度强化学习中，其一般是采用神经网络拟合策略函数π(s,a)，而优化的目标是策略函数的期望回报，即所有策略路径同策略路径发生概率p的加权和，当迭代次数足够的情况，可以用所有迭代的策略路径回报的平均值来表示。

在paddle中使用PG是非常简单的，通过如下调用PG算法

from parl.algorithms import PolicyGradient

然后可以用paddle创建一个简单的模型。

class Model(parl.Model):
    def __init__(self, act_dim):
        act_dim = act_dim
        hid1_size = act_dim * 10

        self.fc1 = layers.fc(size=hid1_size, act='tanh')
        self.fc2 = layers.fc(size=act_dim, act='softmax')

    def forward(self, obs):  # 可直接用