动作价值的确定方法、装置、学习框架、介质及设备

摘要

本公开涉及一种动作价值的确定方法、装置、学习框架、介质及设备，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，交互序列包括多个采样数据，每一采样数据包括环境的环境状态、以及与环境状态对应的决策动作；针对每一采样数据，确定深度强化学习模型的优势函数与该采样数据中的环境状态对应的优势函数值，以及在采样数据对应的决策策略下优势函数值的优势期望，决策策略对应的概率分布为基于优势函数和深度强化学习模型的策略熵参数构造的；针对每一采样数据，根据采样数据、与采样数据对应的优势函数值、优势期望以及深度强化学习模型的状态值函数，确定采样数据对应的动作价值，提高对决策策略的评价准确性。

说明书

技术领域

本公开涉及计算机技术领域，具体地，涉及一种动作价值的确定方法、装置、学习框架、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，通常需要基于动作值函数对某一状态下的选择决策动作策略进行评价，以便于该深度强化学习模型的策略提升。

相关技术中在确定该动作价值时，通常需要根据优势函数值和状态函数值进行确定，而在计算过程中是基于优势函数值的平均值对其期望进行估计，则其必然会引入误差，而动作价值的准确性则会严重影响深度强化学习模型确定的决策动作的准确性。

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，本公开提供一种用于深度强化学习模型的动作价值的确定方法，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环境状态、以及与所述环境状态对应的决策动作；

针对每一所述采样数据，确定所述深度强化学习模型的优势函数与该采样数据中的环境状态对应的优势函数值，以及在所述采样数据对应的决策策略下所述优势函数值的优势期望，其中，所述决策策略对应的概率分布为基于所述优势函数和所述深度强化学习模型的策略熵参数构造的；

针对每一所述采样数据，根据所述采样数据、与所述采样数据对应的优势函数值、所述优势期望以及所述深度强化学习模型的状态值函数，确定所述采样数据对应的动作价值。

第二方面，本公开提供一种用于深度强化学习模型的动作价值的确定装置，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环境状态、以及与所述环境状态对应的决策动作；

第一确定模块，用于针对每一所述采样数据，确定所述深度强化学习模型的优势函数与该采样数据中的环境状态对应的优势函数值，以及在所述采样数据对应的决策策略下所述优势函数值的优势期望，其中，所述决策策略对应的概率分布为基于所述优势函数和所述深度强化学习模型的策略熵参数构造的；

第二确定模块，用于针对每一所述采样数据，根据所述采样数据、与所述采样数据对应的优势函数值、所述优势期望以及所述深度强化学习模型的状态值函数，确定所述采样数据对应的动作价值。

第三方面，本公开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动作价值的确定方法确定用于训练的采样数据对应的动作价值。

第四方面，本公开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，本公开提供一种电子设备，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。

由此，在上述技术方案中，基于优势函数和深度强化学习模型的策略熵参数构造决策策略对应的概率分布，从而可以通过优势函数对决策策略的概率分布进行表示，以使得在采样数据对应的决策策略下该优势函数值的优势期望可以基于优势函数进行计算，从而获得准确的优势期望，与现有技术中通过优势函数值的平均值对其期望进行估计相比，可以有效降低优势期望计算过程中的误差，既可以对该环境状态下的各个动作的优势价值进行准确评价，同时提高对深度强化学习模型中的策略的评价准确性，也可以为深度强化学习模型的训练过程提供准确的数据支持。进一步地，可以基于该优势期望确定对状态下选择决策动作的策略进行准确评价的动作价值，实现对深度强化学习模型的策略的有效更新，提高深度强化学习模型的效率的同时，可以在一定程度上降低优化该深度强化学习模型所需要数据计算量，免去了对大量的样本数据的需要，极大降低了训练的难度，提升深度强化学习模型的鲁棒性，有效降低训练深度强化学习模型对设备资源的高要求。

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一种用于深度强化学习模型的动作价值的确定方法的流程图；

图2是根据本公开的一种实施方式提供的一种用于深度强化学习模型的动作价值的确定装置的框图；

图3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一种用于深度强化学习模型的动作价值的确定方法的流程图，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，每一所述采样数据包括所述虚拟环境的环境状态和决策动作。

其中，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，所述采样数据即用于表示在交互过程中任一时刻进行采样，所得到的感知观察对应的具体状态表征；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。

在一种可能的实施例中，所述交互序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，所述深度强化学习模型用于确定所述虚拟对象执行的每一决策动作，所述虚拟环境为所述虚拟对象所处的环境。

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，则在该虚拟对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，从而获得该虚拟环境的第二状态，以及执行该决策动作对应的回报值。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时刻对应的采样数据，若无另外说明，本公开实施例中所述的环境状态为所述第一状态。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。示例地，虚拟场景可以为一虚拟迷宫场景，在该虚拟迷宫场景中的随机位置中可能出现虚拟奖励，可以训练深度强化学习模型以确定虚拟对象从虚拟迷宫入口E1至出口E2的策略，以使得虚拟对象从入口E1至出口E2的过程中获得的虚拟奖励最多。示例地，从入口E1处在初始时刻采样，虚拟对象所述虚拟环境在该初始时刻的第一状态下对应的动作为直行或右转，则可以根据策略确定该初始时刻的状态下对应决策动作，示例地决策动作为直行，环境基于该决策动作做出反应获得回报值和第二状态，采样获得一采样数据。在下一时刻采样，获得该虚拟对象所述虚拟环境在该下一时刻的第一状态，该第一状态下对应的动作为直行或右转，则可以根据策略确定该下一时刻的第一状态下对应的决策动作，示例地决策动作为右转，同样地环境基于该决策动作做出反应获得回报值和第二状态，获得下一采样数据。则在虚拟对象移动值出口E2的过程中，通过上述方式采样可以获得包含多个采样数据的交互序列。

其中，在进行采样时，可以获取该采样时刻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。在该虚拟对象执行决策动作之后，获取虚拟环境的图像并对图像进行特征提取，以获得第二状态。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，确定深度强化学习模型的优势函数与该采样数据中的环境状态对应的优势函数值，以及在采样数据对应的决策策略下该优势函数值的优势期望，其中，所述决策策略对应的概率分布为基于所述优势函数和所述深度强化学习模型的策略熵参数构造的。熵是不确定性的度量，不确定性越大熵越大，本公开中该策略熵参数为该深度强化学习模型中的超参数，用于表示策略的多样性，该策略熵参数越大，表示可选择的策略更多样。该超参数的取值可以基于人为经验进行设置，也可以深度强化学习模型更新的过程中，基于对应的交互序列动态调整，以进一步提高深度强化模型更新的准确性和效率。

其中，在该深度强化学习模型中，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 Neural Networks，循环神经网络)实现。因此，可以将该采样数据中的环境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，即该优势函数与该环境状态对应的优势函数值。

在本领域中，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，因此，在确定该优势价值时，通常需要确定出在状态s下选择各个动作的优势期望。如背景技术中所述，是基于优势函数值的平均值对其期望进行估计，则其必然会引入误差，从而会导致动作价值的计算误差，导致在深度强化学习模型的训练过程中无法找到最优策略。

示例地，虚拟场景可以为一虚拟迷宫场景，在该虚拟迷宫场景中的随机位置中可能出现虚拟奖励，可以训练深度强化学习模型以确定虚拟对象从虚拟迷宫入口E1至出口E2的策略，以使得虚拟对象从入口E1至出口E2的过程中获得的虚拟奖励最多。在基于交互序列对该深度强化学习模型训练的过程中，基于该交互序列中的采样数据，在虚拟对象在虚拟迷宫场景中的状态s时，在该状态s下其可以选择直行，左转或右转等三个动作，若如相关技术中方案，在对该三个动作进行价值评价时动作价值中引入误差，则会使得对该选择决策动作的决策策略的评价产生误差，降低基于该交互序列对该深度强化学习模型的策略提升的准确性，在该情况下通常需要更多的训练样本数据对该深度强化学习模型进行训练，甚至还会影响该深度强化学习模型的收敛性，出现深度强化学习模型未收敛的问题。

在深度强化学习模型中，是基于决策策略将当前状态映射为相应的决策动作，因此，在本公开实施例中，可以基于所述优势函数和所述深度强化学习模型的策略熵参数构造决策策略对应的概率分布，即通过优势函数和策略熵参数对决策策略的函数进行求解，以使得该决策策略的函数可以具有显式表现形式，以使得在采样数据对应的决策策略下该优势函数值的优势期望可以直接基于优势函数和对应的决策策略进行计算，而无需用采样样本的均值逼近以确定优势期望。由此，在计算动作价值时，不会出现计算优势期望引入误差的问题，从而获得准确的优势期望和动作价值，实现对选择决策动作的决策策略的准确评价，以提高深度强化学习模型的策略提升的效率。

在步骤13中，针对每一采样数据，根据采样数据、与采样数据对应的优势函数值、优势期望以及深度强化学习模型的状态值函数，确定采样数据对应的动作价值。

其中，在深度强化学习模型中通常采用价值函数来评价某一状态或者状态-动作的价值，即评价代理agent选择某一状态或者某一状态下执行某一动作的价值。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

作为示例，该累计回报可以是该交互序列中包含的每一决策动作对应的回报值之和。作为另一示例，与当前决策动作距离越远的决策动作对该当前决策动作的影响越小，则该累计回报可以是该交互序列中的每一决策动作的回报值与该决策动作对应的衰减系数的乘积的累加和，其中，决策动作对应的衰减系数按照所述决策动作由先至后的顺序递减，例如：

G

＝R

＝R

其中，R

因此，在另一实施例中，可以从交互序列的最后一个决策动作起，将其回报值与衰减值相乘并与前一决策动作的回报值相加，直至与所述交互序列中的第一个决策动作的回报值相加，获得该累计回报。其中该衰减值可以根据实际使用场景进行设置。

同样地，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环境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，即该状态值函数与该环境状态对应的状态价值。

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

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)

则在该实施例中，动作值函数与该环境状态和决策动作对应的动作价值，则可以根据采样数据、与采样数据对应的优势函数值、优势期望以及深度强化学习模型的状态值函数进行确定。

由此，在上述技术方案中，基于优势函数和深度强化学习模型的策略熵参数构造决策策略对应的概率分布，从而可以通过优势函数对决策策略的概率分布进行表示，以使得在采样数据对应的决策策略下该优势函数值的优势期望可以基于优势函数进行计算，从而获得准确的优势期望，与现有技术中通过优势函数值的平均值对其期望进行估计相比，可以有效降低优势期望计算过程中的误差，既可以对该环境状态下的各个动作的优势价值进行准确评价，同时提高对深度强化学习模型中的策略的评价准确性，也可以为深度强化学习模型的训练过程提供准确的数据支持。进一步地，可以基于该优势期望确定对状态下选择决策动作的策略进行准确评价的动作价值，实现对深度强化学习模型的策略的有效更新，提高深度强化学习模型的效率的同时，可以在一定程度上降低优化该深度强化学习模型所需要数据计算量，免去了对大量的样本数据的需要，极大降低了训练的难度，提升深度强化学习模型的鲁棒性，有效降低训练深度强化学习模型对设备资源的高要求。

在一种可能的实施例中，所述决策策略对应的概率分布可以通过以下方式构造：

根据所述优势函数值与所述策略熵参数确定所述决策策略对应的目标参数。其中，如上文所述，优势函数值用于表示某一个状态的价值，即可以用该状态下所有动作的价值表述，则该优势函数值可以为一向量，该向量中的每一维度用于表示在该维度对应的动作的价值。示例地，可以将该优势函数值与策略熵参数的比值确定该为决策策略对应的目标参数。

之后，则可以将所述目标参数进行softmax处理后得到的概率分布确定为所述决策策略对应的概率分布。

其中，进行softmax处理得到概率分布的方式为本领域中的常规操作，在此不再赘述。在该实施例中，通过将目标参数转换成概率分布，从而基于该优势函数值确定出状态下的策略中针对每一动作的概率信息，以基于优势函数值对该决策策略的概率分布进行表示，同时便于后续进行决策动作的确定，提高深度强化学习模型的训练效率和准确性。

在一种可能的实施例中，在步骤13中，根据采样数据、与采样数据对应的优势函数值、优势期望以及深度强化学习模型的状态值函数，确定采样数据对应的动作价值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环境状态，确定所述状态值函数对应的状态价值。示例地，如上文所述可以将该环境状态输入状态值函数网络，从而获得该状态价值。

之后，将所述优势函数值与所述优势期望之差确定为处理优势函数值，从而可以通过该处理优势函数值对该环境状态下的每一动作的价值相对与优势期望价值而言的优势。若在该环境状态下某一动作的价值优于该期望值，则该处理优势函数值为正值，表示选择其对应的动作为正向的，即可以获得更多的回报。通过该转换方案，可以使得该处理优势函数值满足期望为0的约束，增加输出的稳定性，有助于提高学习效率，同时使得深度强化学习模型的学习过程更加稳定。

将所述处理优势函数值与所述状态价值之和确定为所述动作价值。

如上文所示Q(s,a)＝A(s,a)+V(s)的关系，则可以在确定出处理优势函数值和所述状态价值之后，确定出该动作价值。

示例地，如上文所示，可以基于状态值函数网络确定状态价值V，即：

V＝V(s

基于优势函数网络确定优势价值A，即：

A＝A(s

则决策策略π的函数可以表示为：

π＝P(A/τ)

其中，P表示确定概率分布，τ表示所述策略熵参数；

则可以进一步确定出所述处理优势函数值

从而确定出动作价值Q：

通过上述技术方案，在确定采样数据对应的动作价值的过程中，通过对状态和状态-动作分别进行评价，以获得状态价值和优势价值，以提高该动作价值确定方法的使用范围。同时，在该过程中，通过优势期望对该优势函数值进行处理，从而可以提高确定出的处理优势函数值的稳定性，并且该过程中优势期望为基于数学计算确定出的，不会确定过程中引入其他误差，从而可以保证动作价值的准确性，对在环境状态下选择动作的策略进行准确评价，以便于对该深度强化学习模型的策略的有效更新，避免由于动作价值确定的误差而导致深度强化学习模型中策略更新的误差，保证基于该深度强化学习模型控制虚拟对象的决策动作的准确性。另外，可以在提高学习效率的同时，可以在一定程度上减少训练深度强化学习模型时的所需的计算量和样本数量。

在一种可能的实施例中，所述方法还可以包括：

基于所述动作价值确定所述深度强化学习模型的动作值函数的更新梯度信息。

其中，动作值函数的更新梯度可以通过该动作值函数对应的损失函数对深度强化学习模型的参数求导确定。示例地，在确定该损失函数时，可以计算动作价值对应的目标值与动作价值之间的均方误差，如：

Q(θ)＝E

其中，Q(θ)用于表示所述评价损失，Q

之后通过对损失函数进行求导并简化处理，如简化求导形成的常数倍数等，从而获得该动作值函数的更新梯度如下：

由此，可以基于上述公式和采样数据中的环境状态和决策动作，确定出对应的更新梯度信息。

之后，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。

其中，可以选择本领域中的梯度更新算法进行更新，例如可以采用PPO(ProximalPolicy Optimization，近端策略优化)算法基于该更新梯度信息对该深度强化学习模型中的参数进行更新，从而实现该深度强化学习模型的策略优化。

由此，通过上述技术方案，可以基于准确的动作价值确定出深度强化学习模型的更新梯度信息，从而保证确定出的更新梯度信息的准确性，避免由于对决策动作的价值评价引入误差而导致策略优化的方向偏离。基于确定出的更新梯度信息可以保证深度强化学习模型在进行策略优化的过程中能够向策略提升更快的方向进行优化，从而可以有效提高深度强化学习模型的训练效率。

在一种可能的实施例中，所述基于所述动作价值确定所述深度强化学习模型的动作值函数的更新梯度信息的示例性实现方式如下，该步骤可以包括：

根据所述决策策略的更新梯度信息、和在所述决策策略下的动作价值与状态价值的差值在目标方向上的分量之差的期望值，确定所述动作值函数的更新梯度信息。

其中，所述目标方向可以是该决策策略的更新梯度方向，其中，动作价值和状态价值的确定方式已在上文进行详述，在此不再赘述。在该实施例中，可以通过在所述决策策略下的动作价值与状态价值的差值在目标方向上的分量之差的期望值，表示进行策略评估的偏差。因此，可以将该决策策略的更新梯度信息和该期望值之差构造动作值函数的更新梯度信息，如：

其中，

由此，可以基于上述关系对动作值函数的更新梯度信息进行计算求解，同时使得在基于该更新梯度信息对深度强化学习模型进行更新时，可以保证策略提升，并降低进行策略评估的误差，从而使得更新后的深度强学习模型确定出的策略更优的同时，对确定出的策略的评估也更加准确，从而提高深度强化学习模型的优化效率，并可以在一定程度上保证该深度强化学习模型的收敛性。

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动作价值的确定方法确定用于训练的采样数据对应的动作价值。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，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。

本公开还提供一种用于深度强化学习模型的动作价值的确定装置，如图2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环境状态、以及与所述环境状态对应的决策动作；

第一确定模块200，用于针对每一所述采样数据，确定所述深度强化学习模型的优势函数与该采样数据中的环境状态对应的优势函数值，以及在所述采样数据对应的决策策略下所述优势函数值的优势期望，其中，所述决策策略对应的概率分布为基于所述优势函数和所述深度强化学习模型的策略熵参数构造的；

第二确定模块300，用于针对每一所述采样数据，根据所述采样数据、与所述采样数据对应的优势函数值、所述优势期望以及所述深度强化学习模型的状态值函数，确定所述采样数据对应的动作价值。

可选地，所述决策策略对应的概率分布通过以下方式构造：

根据所述优势函数值与所述策略熵参数确定所述决策策略对应的目标参数；

将所述目标参数进行softmax处理后得到的概率分布确定为所述决策策略对应的概率分布。

可选地，所述第二确定模块包括：

第一确定子模块，用于根据所述采样数据中的环境状态，确定所述状态值函数对应的状态价值；

第二确定子模块，用于将所述优势函数值与所述优势期望之差确定为处理优势函数值；

第三确定子模块，用于将所述处理优势函数值与所述状态价值之和确定为所述动作价值。

可选地，所述装置还包括：

第三确定模块，用于基于所述动作价值确定所述深度强化学习模型的动作值函数的更新梯度信息；

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。

可选地，所述第三确定模块用于根据所述决策策略的更新梯度信息、和在所述决策策略下的动作价值与状态价值的差值在目标方向上的分量之差的期望值，确定所述动作值函数的更新梯度信息。

可选地，所述交互序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3，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3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3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3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环境状态、以及与所述环境状态对应的决策动作；针对每一所述采样数据，确定所述深度强化学习模型的优势函数与该采样数据中的环境状态对应的优势函数值，以及在所述采样数据对应的决策策略下所述优势函数值的优势期望，其中，所述决策策略对应的概率分布为基于所述优势函数和所述深度强化学习模型的策略熵参数构造的；针对每一所述采样数据，根据所述采样数据、与所述采样数据对应的优势函数值、所述优势期望以及所述深度强化学习模型的状态值函数，确定所述采样数据对应的动作价值。

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提供了一种用于深度强化学习模型的动作价值的确定方法，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环境状态、以及与所述环境状态对应的决策动作；

针对每一所述采样数据，确定所述深度强化学习模型的优势函数与该采样数据中的环境状态对应的优势函数值，以及在所述采样数据对应的决策策略下所述优势函数值的优势期望，其中，所述决策策略对应的概率分布为基于所述优势函数和所述深度强化学习模型的策略熵参数构造的；

针对每一所述采样数据，根据所述采样数据、与所述采样数据对应的优势函数值、所述优势期望以及所述深度强化学习模型的状态值函数，确定所述采样数据对应的动作价值。

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，所述决策策略对应的概率分布通过以下方式构造：

根据所述优势函数值与所述策略熵参数确定所述决策策略对应的目标参数；

将所述目标参数进行softmax处理后得到的概率分布确定为所述决策策略对应的概率分布。

根据本公开的一个或多个实施例，示例3提供了示例1的方法，其中，所述根据所述采样数据、与所述采样数据对应的优势函数值、所述优势期望以及所述深度强化学习模型的状态值函数，确定所述采样数据对应的动作价值，包括：

根据所述采样数据中的环境状态，确定所述状态值函数对应的状态价值；

将所述优势函数值与所述优势期望之差确定为处理优势函数值；

将所述处理优势函数值与所述状态价值之和确定为所述动作价值。

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，所述方法还包括：

基于所述动作价值确定所述深度强化学习模型的动作值函数的更新梯度信息；

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5提供了示例4的方法，其中，所述基于所述动作价值确定所述深度强化学习模型的动作值函数的更新梯度信息，包括：

根据所述决策策略的更新梯度信息、和在所述决策策略下的动作价值与状态价值的差值在目标方向上的分量之差的期望值，确定所述动作值函数的更新梯度信息。

根据本公开的一个或多个实施例，示例6提供了示例1的方法，其中，所述交互序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7提供了一种用于深度强化学习模型的动作价值的确定装置，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环境状态、以及与所述环境状态对应的决策动作；

第一确定模块，用于针对每一所述采样数据，确定所述深度强化学习模型的优势函数与该采样数据中的环境状态对应的优势函数值，以及在所述采样数据对应的决策策略下所述优势函数值的优势期望，其中，所述决策策略对应的概率分布为基于所述优势函数和所述深度强化学习模型的策略熵参数构造的；

第二确定模块，用于针对每一所述采样数据，根据所述采样数据、与所述采样数据对应的优势函数值、所述优势期望以及所述深度强化学习模型的状态值函数，确定所述采样数据对应的动作价值。

根据本公开的一个或多个实施例，示例8提供了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，通过示例1-6中任一项所述深度强化学习模型的动作价值的确定方法确定用于训练的采样数据对应的动作价值。

根据本公开的一个或多个实施例，示例9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1-6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10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1-6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。