DuelingDQN.ipynb中可能存在的两个BUG~

[libermeng]

1. 定义模型部分forward函数中return value + advantage - advantage.mean()可能有误，应该改为return value + advantage - advantage.mean(dim=1, keepdim=True)。 因为按照定义，优势网络输出的值要满足的条件应该是保持在动作维度上的和为0，那么减去的均值应该只是动作维度的均值，而不是总体的均值。
2. 定义算法部分初始化函数中self.policy_net = model.to(self.device)与self.target_net = model.to(self.device)有误，应该改成 self.policy_net = DuelingNet(cfg.n_states, cfg.n_actions, hidden_dim=cfg.hidden_dim).to(self.device)和self.target_net = DuelingNet(cfg.n_states, cfg.n_actions, hidden_dim=cfg.hidden_dim).to(self.device)。 因为原初始化方式是初始化了两个相同内存地址的policy_net和target_net对象，修改后的初始化方式才是初始化两个不同内存地址的对象。

[severus98]

附议，DDPG的初始化也存在这个问题：

self.device = torch.device(cfg['device']) self.critic = models['critic'].to(self.device) self.target_critic = models['critic'].to(self.device) self.actor = models['actor'].to(self.device) self.target_actor = models['actor'].to(self.device)

for target_param, param in zip(self.target_critic.parameters(), self.critic.parameters()): targetparam.data.copy(param.data) for target_param, param in zip(self.target_actor.parameters(), self.actor.parameters()): targetparam.data.copy(param.data）

这里的actor和target_actor，critic和target_critic实际上是对同一个网络模型的引用，并非独立的网络。

有两种改正方式：

1. 一种如贴主所言，在初始化阶段传入类名Actor和Critic而非直接传入实例，然后分别赋参数，各实例化为独立的两个网络模型实例，然后再执行param.data.copy_参数拷贝；

2. 另一种，可以如https://github.com/sfujim/TD3/blob/master/DDPG.py，在实例化一个网络之后，采用copy.deepcopy进行深拷贝到对应的target网络，从而创建两个独立且初始参数相同的网络模型

[severus98]

补充一下我尝试DDPG的实验结果： 分别使用： 1）蘑菇书配套原版代码
2）蘑菇书代码基础上，使用上述的copy.deepcopy复制target网络
3) https://github.com/sfujim/TD3/blob/master/DDPG.py 训练得到网络。 然后使用同一环境种子，测试对比100回合： 1）

2）

3）

2）和 3） 大多数时候reward在-200 以上，性能接近，而 1）大多数时候在-200以下，性能差距较大；3）比2）略好，可能与训练方式、超参数有关。

考虑到方法3）是TD3算法作者实现的源码，有一定参考性和准确性，可以说明2）这种改正网络copy的方式是有效的。