前言

写了好几个版本的PPO，很容易出现的问题。

1.注意两处维度须一致

• 1.注意两处维度须一致

  1.surr1 = ratio * adv
  2.returns = adv + value
  又由于ratio = torch.exp(new_log_probs - old_log_probs)得到
  所以须保证log_prob 与 adv的维度一致；adv与value的维度一致
  即：log_prob与adv与value的维度一致
  
  而elegentRL 有此代码，推荐其代码库
  即： assert logprobs.shape == advantages.shape == reward_sums.shape == (buffer_size,)
   
   不然会出现 bx1 + b = bxb 的结构 ,这样就不对了 
  

2.梯度问题

• 2.梯度问题

  即：其实就是求导问题：一般来说，目标值不需要梯度 例子，目标值为5， x-5求导为1 ，否则 对x - y 求导 就会报错。

  这里就是old_log，adv， return 不需要梯度。

  与adv 计算相关的value值 也可以有梯度，只要最终adv没有梯度就行。

  特别的torch.tensor(advantage_list, dtype=torch.float) （— hand-on RL） 这种也是去掉梯度的方式，所以一般buffer里的数据都是无梯度的。

3.提高收敛因素

• 3.提高收敛因素

  1.horizon 即每次更新的步数设置为2048时极大提高收敛效率

  2.state 归一到 -1~1

  3.action只有在环境需要限制大小的值时才要clip,在训练时的action 不要clip 保证与训练时计算的分布相同

其他

• 其他

  torch.cat([values, last_value.unsqueeze(0)]) 不会起移除梯度，加梯度作用
  主要作用是 with torch.no_grad():

  with torch.no_grad():
       values = self.value(batch_states).squeeze(-1)
  
  print(values.requires_grad,1)
  values = torch.cat([values, last_value.unsqueeze(0)]) 
  print(values.requires_grad)
  
  False 1
  True
  

  with torch.no_grad():
       values = self.value(batch_states).squeeze(-1)
  
       print(values.requires_grad,1)
       values = torch.cat([values, last_value.unsqueeze(0)]) 
       print(values.requires_grad)
  
  False 1
  False