深度强化学习模型的更新方法、装置、框架、介质及设备

技术领域

本公开涉及计算机技术领域，具体地，涉及一种深度强化学习模型的更新方法、装置、框架、介质及设备。

背景技术

随机计算机技术的发展，各类大型模型、复杂的机器学习模型逐渐开始应用。深度强化学习将深度学习的感知能力和强化学习的决策能力相结合，可以直接根据输入的图像进行控制，更接近人类思维方式。在深度强化学习模型的训练过程中，对深度强化学习模型的更新过程则尤为重要。

相关技术中，梯度更新算法通常是基于当前步的策略或回报进行更新，难以通过梯度优化的方式确定出最优策略，从而难以保证深度强化学习模型的更新准确度和效率。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种深度强化学习模型的更新方法，所述方法包括：

获取深度强化学习模型与虚拟环境交互所产生的交互序列，其中，所述交互序列包括多个采样数据，其中，每一所述采样数据包括所述虚拟环境的第一状态、决策动作、以及在所述虚拟环境处于所述第一状态对应的状态下执行所述决策动作所得到的回报值和第二状态；

针对每一采样数据，根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息，其中，所述采样数据对应的所述目标采样数据包括所述采样数据本身，并且，若所述采样数据不为所述交互序列中的最后一个采样数据，则所述目标采样数据还包括所述交互序列中处于所述采样数据之后的每一采样数据，所述更新梯度信息包括状态值函数对应的梯度信息、动作值函数对应的梯度信息和策略梯度信息中的至少一种；

根据所述更新梯度信息对所述深度强化学习模型进行更新。

第二方面，提供一种深度强化学习模型的更新装置，所述装置包括：

获取模块，用于获取深度强化学习模型与虚拟环境交互所产生的交互序列，其中，所述交互序列包括多个采样数据，其中，每一所述采样数据包括所述虚拟环境的第一状态、决策动作、以及在所述虚拟环境处于所述第一状态对应的状态下执行所述决策动作所得到的回报值和第二状态；

确定模块，用于针对每一采样数据，根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息，其中，所述采样数据对应的所述目标采样数据包括所述采样数据本身，并且，若所述采样数据不为所述交互序列中的最后一个采样数据，则所述目标采样数据还包括所述交互序列中处于所述采样数据之后的每一采样数据，所述更新梯度信息包括状态值函数对应的梯度信息、动作值函数对应的梯度信息和策略梯度信息中的至少一种；

更新模块，用于根据所述更新梯度信息对所述深度强化学习模型进行更新。

第三方面，提供一种深度强化学习框架，在所述深度强化学习框架进行训练的过程中，通过第一方面所述深度强化学习模型的更新方法进行更新。

第四方面，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。

第五方面，提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。

在上述技术方案中，在基于获得的交互序列对深度强化学习模型进行训练的过程中，针对交互序列中除最后一个采样数据之外的每一采样数据，在基于该采样数据确定更新梯度信息时，并非只基于该采样数据进行确定，而是结合该采样数据以及该采样数据之后的每一采样数据进行确定，从而使得确定出的更新梯度信息的准确性提高，使得确定出的更新梯度信息与深度强化学习的实际处理过程相匹配，从而可以提高基于该更新梯度信息对深度强化学习模型进行更新的准确性和效率，为深度强化学习模型获得最优策略提供准确的数据支持。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开的一种实施方式提供的深度强化学习模型的更新方法的流程图；

图2是根据本公开的一种实施方式提供的根据采样数据对应的目标采样数据，确定深度强化学习模型对应的更新梯度信息的示例性实现方式的示意图；

图3是根据本公开的一种实施方式提供的深度强化学习模型的更新装置的框图；

图4示出了适于用来实现本公开实施例的电子设备600的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1所示，为根据本公开的一种实施方式提供的深度强化学习模型的更新方法的流程图，如图1所示，所述方法可以包括：

在步骤11中，获取深度强化学习模型与虚拟环境交互所产生的交互序列，其中，所述交互序列包括多个采样数据，其中，采样数据用于表示在交互过程中任一时刻进行采样获得的数据，每一所述采样数据包括所述虚拟环境的第一状态、决策动作、以及在所述虚拟环境处于所述第一状态对应的状态下执行所述决策动作所得到的回报值和第二状态。

深度强化学习模型将深度学习的感知能力和强化学习的决策能力相结合，其通过在每个时刻代理(agent)与环境交互得到一个高维度的观察，并利用深度学习方法来感知该观察，以得到该观察具体的状态特征表示；之后可以基于预期回报来评价各个状态的价值函数(状态值函数)和状态-动作对的价值函数(动作值函数)，并且基于这两个价值函数对决策策略进行提升，决策策略用于将当前状态映射为相应的决策动作；环境会对此决策动作做出反应，并得到下一个观察。通过不断循环以上过程，以得到实现目标的最优策略，示例地，该目标为累计回报最大。

因此，在该应用场景中，其中，所述虚拟对象基于所述深度强化学习模型进行控制。其中，虚拟环境可以是用计算机生成的一种虚拟的场景环境，如虚拟环境可以是游戏场景，示例地，对用于与用户进行交互的多媒体数据进行渲染，从而可以将该多媒体数据渲染显示为游戏场景，虚拟环境提供了一个多媒体的虚拟世界，用户可通过操作界面上的控件来控制虚拟对象动作，或直接对虚拟环境中可操作的虚拟对象进行控制，并以虚拟对象的视角观察虚拟环境中的物体、人物、风景等，以及通过虚拟对象和虚拟环境中的其它虚拟对象等进行互动。作为另一示例，该虚拟环境还可以包括场景中的其他虚拟对象等。虚拟对象可以是在虚拟环境中的用于模拟用户的虚拟形象，其可以是人类形象或者其他动物形象等。

作为示例，该虚拟对象可以在该虚拟环境的第一状态下执行决策动作，则在该虚拟形象执行该决策动作后，该虚拟环境则可以对该决策动作做出反应，从而获得执行该决策动作对应的回报值，以及该虚拟环境的第二状态，即下一采样时刻对应的环境状态。则在虚拟对象与该虚拟环境进行交互的过程中进行采样时，可以基于将该第一状态、决策动作、第二状态以及该回报值作为该采样点对应的采样数据，若无另外说明。在一次完整的交互过程中，按照采样时间的先后顺序的采样数据形成为一交互序列。其中，在进行采样时，可以获取该采样点对应的虚拟环境的图像，从而可以对该图像进行特征提取，以获得该第一状态。该回报值可以是执行该决策动作后，该虚拟对象对应的得分值的变化，也可以是虚拟生命条的变化等，可以根据实际使用场景进行设置，本公开对此不进行限定。

在步骤12中，针对每一采样数据，根据采样数据对应的目标采样数据，确定深度强化学习模型对应的更新梯度信息，其中，所述采样数据对应的所述目标采样数据包括所述采样数据本身，并且，若所述采样数据不为所述交互序列中的最后一个采样数据，则所述目标采样数据还包括所述交互序列中处于所述采样数据之后的每一采样数据，所述更新梯度信息包括状态值函数对应的梯度信息、动作值函数对应的梯度信息和策略梯度信息中的至少一种。

示例地，若交互序列中包含N个采样数据，即D

在步骤13中，根据更新梯度信息对深度强化学习模型进行更新。

示例地，可以基于确定出更新梯度信息通过梯度反向传播的方式对深度强化学习模型进行更新，该方式可以采用本领域中的常用方式，本公开对此不进行限定。

由此，在上述技术方案中，在基于获得的交互序列对深度强化学习模型进行训练的过程中，针对交互序列中除最后一个采样数据之外的每一采样数据，在基于该采样数据确定更新梯度信息时，并非只基于该采样数据进行确定，而是结合该采样数据以及该采样数据之后的每一采样数据进行确定，从而使得确定出的更新梯度信息的准确性提高，使得确定出的更新梯度信息与深度强化学习的实际处理过程相匹配，从而可以提高基于该更新梯度信息对深度强化学习模型进行更新的准确性和效率，为深度强化学习模型获得最优策略提供准确的数据支持。

在一种可能的实施例中，更新梯度信息包括状态值函数对应的梯度信息。

其中，在本领域中，在模型已知时对任意策略π能够估计出该策略带来的期望累计回报，通常采用状态值函数来评价某一状态的价值，某一个状态的价值可以用该状态下所有动作的价值表述，即基于状态s能获得的累计回报的期望，在这个策略下，该累计回报服从一个分布，累计回报在状态处的期望值定义为状态值函数V(s)：

V

即表示在策略π下，t时刻的状态S

相应地，根据采样数据对应的目标采样数据，确定深度强化学习模型对应的更新梯度信息的示例性实现方式如下，如图2所示，该步骤可以包括：

在步骤21中，根据采样数据中的第一状态和状态值函数，确定第一状态对应的第一计算状态价值。

示例地，在该深度强化学习模型中，可以通过一神经网络实现该状态值函数的计算。因此，可以将该采样数据中的第一状态输入该状态值函数网络，从而可以获得该状态值函数网络的输出值，即与该第一状态对应的第一计算状态价值。

在步骤22中，确定目标采样数据对应的时序状态估计差异。其中，所述时序状态估计差异可以是TD-error(Temporal-Difference error)，用于表示在时刻t下状态价值的估计误差。如上文所示，该采样数据对应的目标采样数据可以是一个或者多个，则在该实施例中，在所述目标采样数据为一个时，即确定目标采样数据对应的时序状态估计差异；在所述目标采样数据为多个时，即确定该多个目标采样数据中的每一目标采样数据分别对应的时序状态估计差异。

在步骤23中，根据时序状态估计差异的第一加权和、以及第一计算状态价值确定目标状态价值。

其中，所述目标采样数据为一个时，该时序状态估计差异的第一加权和可以是该时序状态估计差异与其对应的第一权重值的乘积，在目标采样数据为多个时，该时序状态估计差异的第一加权和可以是该每一时序状态估计差异与其对应的第一权重值的乘积之和。

在步骤24中，根据目标状态价值和第一计算状态价值确定状态值函数在采样数据下对应的梯度信息。

其中，可以通过目标状态价值和第一计算状态价值确定状态价值的误差，从而可以基于该误差进行参数调整。示例地，可以将目标状态价值和第一计算状态价值对应的均方误差确定为状态值函数对应的损失函数，从而可以基于该损失函数确定出梯度信息。

其中，可以对确定状态价值损失的损失函数求导以获得该状态价值对应的梯度信息，需要进行说明的是，在基于该损失函数进行求导时，需要对目标状态价值中的状态价值停止梯度计算，从而使得目标状态价值在求导时作为常数项，以保证梯度信息确定过程中目标状态价值不变，保证更新过程的稳定性和可靠性。

在一种可能的实施例中，所述目标采样数据对应的时序状态估计差异通过以下方式确定：

根据所述目标采样数据中的第一状态和第一动作以及所述深度强化学习模型的动作值函数，确定所述目标采样数据对应的计算动作价值。

在深度强化学习模型中，通常采用动作值函数评价某一状态下执行某一动作的价值，即基于状态s下选择一个动作a后能获得的累计回报的期望：

Q

即表示在策略π下，t时刻的状态S

其中，在该深度强化学习模型中，优势函数通常用于评价在状态s下选择动作a的优势价值，则通常基于状态值函数和优势函数对动作值函数进行表征，

基于优势函数A(s,a)、状态值函数V(s)和动作值函数Q(s,a)的定义，本领域中深度强化学习中存在如下关系：

Q(s,a)＝A(s,a)+V(s)

其中，可以通过一神经网络实现该优势函数的计算，示例地，该优势函数网络可以基于CNN(Convolutional Neural Networks，卷积神经网络)和RNN(Recurrent NeuralNetworks，循环神经网络)实现。因此，可以将该采样数据中的第一状态输入该优势函数网络，从而可以获得该优势函数网络的输出值，即该优势函数与该第一状态对应的优势函数值。

由此，可以将目标采样数据中的第一状态和第一动作基于上述关系式确定所述目标采样数据对应的计算动作价值。

根据所述目标采样数据中的第二状态和所述深度强化学习模型的状态值函数，确定所述目标采样数据对应的第二计算状态价值。同样地，可以将该第二状态输入状态值函数网络，从而获得该状态值函数网络输出的结果作为该第二计算状态价值。

根据所述目标采样数据中的回报值、所述第二计算状态价值和所述计算动作价值，确定所述目标采样数据对应的时序状态估计差异。

示例地，可以通过如下公式根据所述目标采样数据中的回报值、所述第二计算状态价值和所述计算动作价值，确定所述目标采样数据对应的时序状态估计差异：

δ

其中，δ

其中，在相关技术中，在确定时序状态估计差异时通常是基于回报值、下一时刻的状态价值和当前时刻的状态价值确定的，即：

δ

因此，与传统确定时序状态估计差异时将V(st)作为Q(s

在一种可能的实施例中，所述时序状态估计差异的第一加权和为：每一目标采样数据对应的时序状态估计差异和该目标采样数据对应的第一权重值的乘积之和；

示例地，该目标采样数据对应的第一权重值通过以下方式确定：

若该目标采样数据为所述采样数据之后的采样数据，则将所述交互序列中位于所述采样数据之后至该目标采样数据之前的每一采样数据对应的第一重要性参数的乘积、与该目标采样数据对应的第二重要性参数、以及衰减系数的K次幂的乘积确定为该目标采样数据对应的第一权重值，K为所述交互序列中所述采样数据之后至该目标采样数据的采样数据的个数；

若该目标采样数据为所述采样数据本身，则将所述采样数据对应的第二重要性参数确定为所述采样数据对应的第一权重值。

其中，如上文所示，除交互序列中的最后一个采样数据之外的其他采样数据，该采样数据对应的目标数据包含该采样数据本身，以及该采样数据之后的采样数据。示例地，可以以D

作为示例，若该目标采样数据D

作为另一示例，若该目标采样数据D

与K＝0时对应的第一权重值进行综合表示，第一权重值可以表示为：

α

由此，通过上述方式，可以分别确定出每一目标采样数据对应的第一权重值，则可以进一步确定出每一时序状态估计差异的第一加权和为：

其中δ

其中，μ用于表示采样样本对应的策略，p用于表示所述环境的转移的概率分布，V(s

在一种可能的实施例中，所述采样数据对应的第一重要性参数为：所述深度强化学习模型的目标策略对应的概率分布与所述采样数据对应的行为策略的概率分布的比值、和第一预设阈值中的最小值；

所述采样数据对应的第二重要性参数为：所述深度强化学习模型的目标策略对应的概率分布与所述采样数据对应的行为策略的概率分布的比值、和第二预设阈值中的最小值；

其中，所述第一预设阈值小于或等于所述第二预设阈值。

示例，在本公开实施例中采样异策略(off-policy)的方式对深度强化学习模型进行训练，即要学习的代理agent对应的策略和与环境互动过程中进行采样时对应的策略不同的状态下的学习更新方式。为了提高模型的训练效率，可以用策略μ与环境进行互动并在互动过程中进行采样，获得交互序列，并基于该策略μ对应的交互序列去更新策略π下的模型，以分别进行数据采集和模型学习。在该过程中，由于交互序列和深度强化学习模型对应的策略不同，则需要对其进行重要性采样。其中，所述深度强化学习模型的目标策略对应的概率分布即为待学习的代理对应的策略，记为π，与所述采样数据对应的行为策略的概率分布即与环境互动过程中进行采样时对应的策略，即μ，则t时刻的采样数据对应的第一重要性参数c

同样地，则t时刻的采样数据对应的第二重要性参数ρ

在一种可能的实施例中，所述更新梯度信息包括动作值函数对应的梯度信息；

相应地，根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息的示例性实现方式如下，该步骤可以包括：

根据所述采样数据中的第一状态和第一动作以及所述动作值函数，确定所述采样数据对应的计算动作价值。

确定所述目标采样数据对应的时序状态估计差异。

其中，确定采样数据对应的计算动作价值和每一目标采样数据对应额时序状态估计差异的具体实现方式已在上文进行详述，在此不再赘述。

根据所述时序状态估计差异的第二加权和、以及所述计算动作价值确定目标动作价值。

在一种可能的实施例中，所述时序状态估计差异的第二加权和为：每一目标采样数据对应的时序状态估计差异和该目标采样数据对应的第二权重值的乘积之和；

示例地，该目标采样数据对应的第二权重值通过以下方式确定：

若该目标采样数据为所述采样数据之后的第一个采样数据，将该目标采样数据对应的第二重要性参数和衰减系数的乘积确定为该目标采样数据对应的第二权重值。

其中，如上文所示，除交互序列中的最后一个采样数据之外的其他采样数据，该采样数据对应的目标数据包含该采样数据本身，以及该采样数据之后的采样数据。示例地，可以以D

作为示例，若该目标采样数据D

若该目标采样数据为所述第一个采样数据之后的采样数据，则将所述交互序列中位于所述第一个采样数据之后至该目标采样数据之前的每一采样数据对应的第一重要性参数的乘积、与该目标采样数据对应的第二重要性参数、以及衰减系数的K次幂的乘积确定为该目标采样数据对应的第二权重值，K为所述交互序列中所述采样数据之后至该目标采样数据的采样数据的个数。

作为示例，若该目标采样数据为所述第一个采样数据之后的采样数据，即该目标采样数据D

若该目标采样数据为所述采样数据本身，则所述采样数据对应的第二权重值为1。

作为示例，若该目标采样数据D

与K＝0时对应的第二权重值进行综合，第二权重值可以表示为：

β

由此，通过上述方式，可以分别确定出每一目标采样数据对应的第二权重值，则可以进一步确定出每一时序状态估计差异的第二加权和为：

其中δ

其中，第一重要性参数和第二重要性参数的确定方式已在上文详述，Q(s

之后，根据所述目标动作价值和所述计算动作价值确定所述动作值函数在所述采样数据下对应的梯度信息。

其中，可以通过目标动作价值和计算动作价值确定动作价值的误差，从而可以基于该误差进行参数调整。示例地，可以将目标动作价值和计算动作价值对应的均方误差确定为动作值函数对应的损失函数，从而可以基于该损失函数确定出梯度信息。

其中，可以对确定动作价值损失的损失函数求导以获得该动作价值对应的梯度信息，需要进行说明的是，在基于该损失函数进行求导时，确定目标动作价值时的状态价值停止梯度计算，使得目标动作价值在求导时作为常数项，以保证梯度信息确定过程中目标动作价值不变，保证更新过程的稳定性和可靠性。

在一种可能的实施例中，所述更新梯度信息包括策略梯度信息；

相应地，根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息的示例性实现方式如下，该步骤可以包括：

根据所述采样数据中的第一状态和所述状态值函数，确定所述第一状态对应的第一计算状态价值；

确定所述目标采样数据对应的时序状态估计差异；

根据所述时序状态估计差异的第二加权和、以及所述计算动作价值确定目标动作价值；

根据所述目标动作价值和所述第一计算状态价值确定所述采样数据对应的策略梯度信息。

其中，确定第一计算状态价值、目标采样数据对应的时序状态估计差异和目标动作价值的具体实施方式已在上文进行详述，在此不再赘述。在该实施例中，可以通过目标动作价值和第一计算状态价值确定策略误差，从而可以基于该误差进行参数调整。示例地，可以将目标动作价值和第一计算状态价值对应的交叉熵确定为策略的损失函数，从而可以基于该损失函数确定出梯度信息，其中交叉熵的计算方式为常规计算，在此不再赘述。

示例地，可以对确定策略损失的损失函数求导以获得该策略的梯度信息，需要进行说明的是，在基于该损失函数进行求导时，将目标动作价值作为常数项进行求导，即对确定目标动作价值时的状态价值停止梯度计算，以保证梯度信息确定过程中目标动作价值不变，保证更新过程的稳定性和可靠性。

本公开还提供一种深度强化学习框架，其中，在所述深度强化学习框架进行训练的过程中，通过上文所述深度强化学习模型的更新方法进行更新。示例地，可以基于该深度强化学习框架对游戏人工智能进行训练，则通过上述技术方案对该游戏人工智能的策略进行更新，可以保证确定出的游戏人工智能的决策的准确性，提高该游戏人工智能与用户进行交互时，游戏人工智能的决策能力，提升用户交互体验。

本公开还提供一种深度强化学习模型的更新装置，如图3所示，所述装置10包括：

获取模块100，用于获取深度强化学习模型与虚拟环境交互所产生的交互序列，其中，所述交互序列包括多个采样数据，其中，每一所述采样数据包括所述虚拟环境的第一状态、决策动作、以及在所述虚拟环境处于所述第一状态对应的状态下执行所述决策动作所得到的回报值和第二状态；

确定模块200，用于针对每一采样数据，根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息，其中，所述采样数据对应的所述目标采样数据包括所述采样数据本身，并且，若所述采样数据不为所述交互序列中的最后一个采样数据，则所述目标采样数据还包括所述交互序列中处于所述采样数据之后的每一采样数据，所述更新梯度信息包括状态值函数对应的梯度信息、动作值函数对应的梯度信息和策略梯度信息中的至少一种；

更新模块300，用于根据所述更新梯度信息对所述深度强化学习模型进行更新。

可选地，所述更新梯度信息包括状态值函数对应的梯度信息；

所示确定模块包括：

第一确定子模块，用于根据所述采样数据中的第一状态和所述状态值函数，确定所述第一状态对应的第一计算状态价值；

第二确定子模块，用于确定所述目标采样数据对应的时序状态估计差异；

第三确定子模块，用于根据所述时序状态估计差异的第一加权和、以及所述第一计算状态价值确定目标状态价值；

第四确定子模块，用于根据所述目标状态价值和所述第一计算状态价值确定所述状态值函数在所述采样数据下对应的梯度信息。

可选地，所述时序状态估计差异的第一加权和为：每一目标采样数据对应的时序状态估计差异和该目标采样数据对应的第一权重值的乘积之和；

该目标采样数据对应的第一权重值通过以下方式确定：

若该目标采样数据为所述采样数据之后的采样数据，则将所述交互序列中位于所述采样数据之后至该目标采样数据之前的每一采样数据对应的第一重要性参数的乘积、与该目标采样数据对应的第二重要性参数、以及衰减系数的K次幂的乘积确定为该目标采样数据对应的第一权重值，K为所述交互序列中所述采样数据之后至该目标采样数据的采样数据的个数；

若该目标采样数据为所述采样数据本身，则将所述采样数据对应的第二重要性参数确定为所述采样数据对应的第一权重值。

可选地，所述更新梯度信息包括动作值函数对应的梯度信息；

所述确定模块包括：

第五确定子模块，用于根据所述采样数据中的第一状态和第一动作以及所述动作值函数，确定所述采样数据对应的计算动作价值；

第二确定子模块，用于确定所述目标采样数据对应的时序状态估计差异；

第六确定子模块，用于根据所述时序状态估计差异的第二加权和、以及所述计算动作价值确定目标动作价值；

第七确定子模块，用于根据所述目标动作价值和所述计算动作价值确定所述动作值函数在所述采样数据下对应的梯度信息。

可选地，所述更新梯度信息包括策略梯度信息；

所述确定模块包括：

第一确定子模块，用于根据所述采样数据中的第一状态和所述状态值函数，确定所述第一状态对应的第一计算状态价值；

第二确定子模块，用于确定所述目标采样数据对应的时序状态估计差异；

第六确定子模块，用于根据所述时序状态估计差异的第二加权和、以及所述计算动作价值确定目标动作价值；

第八确定子模块，用于根据所述目标动作价值和所述第一计算状态价值确定所述采样数据对应的策略梯度信息。

可选地，所述时序状态估计差异的第二加权和为：每一目标采样数据对应的时序状态估计差异和该目标采样数据对应的第二权重值的乘积之和；

该目标采样数据对应的第二权重值通过以下方式确定：

若该目标采样数据为所述采样数据之后的第一个采样数据，将该目标采样数据对应的第二重要性参数和衰减系数的乘积确定为该目标采样数据对应的第二权重值；

若该目标采样数据为所述第一个采样数据之后的采样数据，则将所述交互序列中位于所述第一个采样数据之后至该目标采样数据之前的每一采样数据对应的第一重要性参数的乘积、与该目标采样数据对应的第二重要性参数、以及衰减系数的K次幂的乘积确定为该目标采样数据对应的第二权重值，K为所述交互序列中所述采样数据之后至该目标采样数据的采样数据的个数；

若该目标采样数据为所述采样数据本身，则所述采样数据对应的第二权重值为1。

可选地，所述目标采样数据对应的时序状态估计差异通过以下方式确定：

根据所述目标采样数据中的第一状态和第一动作以及所述深度强化学习模型的动作值函数，确定所述目标采样数据对应的计算动作价值；

根据所述目标采样数据中的第二状态和所述深度强化学习模型的状态值函数，确定所述目标采样数据对应的第二计算状态价值；

根据所述目标采样数据中的回报值、所述第二计算状态价值和所述计算动作价值，确定所述目标采样数据对应的时序状态估计差异。

可选地，所述采样数据对应的第一重要性参数为：所述深度强化学习模型的目标策略对应的概率分布与所述采样数据对应的行为策略的概率分布的比值、和第一预设阈值中的最小值；

所述采样数据对应的第二重要性参数为：所述深度强化学习模型的目标策略对应的概率分布与所述采样数据对应的行为策略的概率分布的比值、和第二预设阈值中的最小值；

其中，所述第一预设阈值小于或等于所述第二预设阈值。

可选地，所述交互系列为在虚拟对象与所述虚拟环境进行交互的过程中进行采样获得的，其中，所述虚拟对象基于所述深度强化学习模型进行控制，所述虚拟环境为所述虚拟对象所处的环境。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取深度强化学习模型与虚拟环境交互所产生的交互序列，其中，所述交互序列包括多个采样数据，其中，每一所述采样数据包括所述虚拟环境的第一状态、决策动作、以及在所述虚拟环境处于所述第一状态对应的状态下执行所述决策动作所得到的回报值和第二状态；针对每一采样数据，根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息，其中，所述采样数据对应的所述目标采样数据包括所述采样数据本身，并且，若所述采样数据不为所述交互序列中的最后一个采样数据，则所述目标采样数据还包括所述交互序列中处于所述采样数据之后的每一采样数据，所述更新梯度信息包括状态值函数对应的梯度信息、动作值函数对应的梯度信息和策略梯度信息中的至少一种；根据所述更新梯度信息对所述深度强化学习模型进行更新。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取深度强化学习模型与虚拟环境交互所产生的交互序列的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种深度强化学习模型的更新方法，其中，所述方法包括：

获取深度强化学习模型与虚拟环境交互所产生的交互序列，其中，所述交互序列包括多个采样数据，其中，每一所述采样数据包括所述虚拟环境的第一状态、决策动作、以及在所述虚拟环境处于所述第一状态对应的状态下执行所述决策动作所得到的回报值和第二状态；

针对每一采样数据，根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息，其中，所述采样数据对应的所述目标采样数据包括所述采样数据本身，并且，若所述采样数据不为所述交互序列中的最后一个采样数据，则所述目标采样数据还包括所述交互序列中处于所述采样数据之后的每一采样数据，所述更新梯度信息包括状态值函数对应的梯度信息、动作值函数对应的梯度信息和策略梯度信息中的至少一种；

根据所述更新梯度信息对所述深度强化学习模型进行更新。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，其中，所述更新梯度信息包括状态值函数对应的梯度信息；

根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息，包括：

根据所述采样数据中的第一状态和所述状态值函数，确定所述第一状态对应的第一计算状态价值；

确定所述目标采样数据对应的时序状态估计差异；

根据所述时序状态估计差异的第一加权和、以及所述第一计算状态价值确定目标状态价值；

根据所述目标状态价值和所述第一计算状态价值确定所述状态值函数在所述采样数据下对应的梯度信息。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，其中，所述时序状态估计差异的第一加权和为：每一目标采样数据对应的时序状态估计差异和该目标采样数据对应的第一权重值的乘积之和；

该目标采样数据对应的第一权重值通过以下方式确定：

若该目标采样数据为所述采样数据之后的采样数据，则将所述交互序列中位于所述采样数据之后至该目标采样数据之前的每一采样数据对应的第一重要性参数的乘积、与该目标采样数据对应的第二重要性参数、以及衰减系数的K次幂的乘积确定为该目标采样数据对应的第一权重值，K为所述交互序列中所述采样数据之后至该目标采样数据的采样数据的个数；

若该目标采样数据为所述采样数据本身，则将所述采样数据对应的第二重要性参数确定为所述采样数据对应的第一权重值。

根据本公开的一个或多个实施例，示例4提供了示例1的方法，其中，所述更新梯度信息包括动作值函数对应的梯度信息；

根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息，包括：

根据所述采样数据中的第一状态和第一动作以及所述动作值函数，确定所述采样数据对应的计算动作价值；

确定所述目标采样数据对应的时序状态估计差异；

根据所述时序状态估计差异的第二加权和、以及所述计算动作价值确定目标动作价值；

根据所述目标动作价值和所述计算动作价值确定所述动作值函数在所述采样数据下对应的梯度信息。

根据本公开的一个或多个实施例，示例5提供了示例1的方法，其中，所述更新梯度信息包括策略梯度信息；

根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息，包括：

根据所述采样数据中的第一状态和所述状态值函数，确定所述第一状态对应的第一计算状态价值；

确定所述目标采样数据对应的时序状态估计差异；

根据所述时序状态估计差异的第二加权和、以及所述计算动作价值确定目标动作价值；

根据所述目标动作价值和所述第一计算状态价值确定所述采样数据对应的策略梯度信息。

根据本公开的一个或多个实施例，示例6提供了示例4或5的方法，其中，所述时序状态估计差异的第二加权和为：每一目标采样数据对应的时序状态估计差异和该目标采样数据对应的第二权重值的乘积之和；

该目标采样数据对应的第二权重值通过以下方式确定：

若该目标采样数据为所述采样数据之后的第一个采样数据，将该目标采样数据对应的第二重要性参数和衰减系数的乘积确定为该目标采样数据对应的第二权重值；

若该目标采样数据为所述第一个采样数据之后的采样数据，则将所述交互序列中位于所述第一个采样数据之后至该目标采样数据之前的每一采样数据对应的第一重要性参数的乘积、与该目标采样数据对应的第二重要性参数、以及衰减系数的K次幂的乘积确定为该目标采样数据对应的第二权重值，K为所述交互序列中所述采样数据之后至该目标采样数据的采样数据的个数；

若该目标采样数据为所述采样数据本身，则所述采样数据对应的第二权重值为1。

根据本公开的一个或多个实施例，示例7提供了示例2、4、5中任一示例的方法，其中，所述目标采样数据对应的时序状态估计差异通过以下方式确定：

根据所述目标采样数据中的第一状态和第一动作以及所述深度强化学习模型的动作值函数，确定所述目标采样数据对应的计算动作价值；

根据所述目标采样数据中的第二状态和所述深度强化学习模型的状态值函数，确定所述目标采样数据对应的第二计算状态价值；

根据所述目标采样数据中的回报值、所述第二计算状态价值和所述计算动作价值，确定所述目标采样数据对应的时序状态估计差异。

根据本公开的一个或多个实施例，示例8提供了示例3或6的方法，其中，所述采样数据对应的第一重要性参数为：所述深度强化学习模型的目标策略对应的概率分布与所述采样数据对应的行为策略的概率分布的比值、和第一预设阈值中的最小值；

所述采样数据对应的第二重要性参数为：所述深度强化学习模型的目标策略对应的概率分布与所述采样数据对应的行为策略的概率分布的比值、和第二预设阈值中的最小值；

其中，所述第一预设阈值小于或等于所述第二预设阈值。

根据本公开的一个或多个实施例，示例9提供了示例1的方法，其中，所述交互系列为在虚拟对象与所述虚拟环境进行交互的过程中进行采样获得的，其中，所述虚拟对象基于所述深度强化学习模型进行控制，所述虚拟环境为所述虚拟对象所处的环境。

根据本公开的一个或多个实施例，示例10提供了一种深度强化学习模型的更新装置，所述装置包括：

获取模块，用于获取深度强化学习模型与虚拟环境交互所产生的交互序列，其中，所述交互序列包括多个采样数据，其中，每一所述采样数据包括所述虚拟环境的第一状态、决策动作、以及在所述虚拟环境处于所述第一状态对应的状态下执行所述决策动作所得到的回报值和第二状态；

确定模块，用于针对每一采样数据，根据所述采样数据对应的目标采样数据，确定所述深度强化学习模型对应的更新梯度信息，其中，所述采样数据对应的所述目标采样数据包括所述采样数据本身，并且，若所述采样数据不为所述交互序列中的最后一个采样数据，则所述目标采样数据还包括所述交互序列中处于所述采样数据之后的每一采样数据，所述更新梯度信息包括状态值函数对应的梯度信息、动作值函数对应的梯度信息和策略梯度信息中的至少一种；

更新模块，用于根据所述更新梯度信息对所述深度强化学习模型进行更新。

根据本公开的一个或多个实施例，示例11提供了一种深度强化学习框架，其中，在所述深度强化学习框架进行训练的过程中，通过示例1-9中任一项所述深度强化学习模型的更新方法进行更新。

根据本公开的一个或多个实施例，示例12提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-9中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例13提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-9中任一项所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。