E.3.6 微积分与优化公式速查与练习

前置知识：本页汇总 E.3 模块所有公式，建议在读完 E.3.1 到 E.3.5 后再来回顾。如果你是第一次读，先跳到正文章节。

前面的内容从一维导数一路讲到了 PPO 裁剪和 GRPO 归一化，涉及不少公式。这一页把它们汇总在一起，方便查阅，也指出几个常见的理解误区，最后附上几道练习题来检验掌握程度。

---

本书中你会遇到的优化公式

概念	公式	强化学习含义
梯度上升	$\theta \leftarrow \theta + \alpha \nabla J(\theta)$	最大化平均回报
梯度下降	$\theta \leftarrow \theta - \alpha \nabla L(\theta)$	最小化价值误差或模型损失
链式法则	$\frac{dL}{d\theta}=\frac{dL}{dy}\frac{dy}{d\theta}$	反向传播的基础
策略梯度	$\nabla J \approx G_t\nabla\log\pi_\theta(a_t\mid s_t)$	好结果对应动作概率上升
策略梯度定理	$\nabla_\theta J=\sum_s d^\pi(s)\sum_a\nabla_\theta\pi_\theta(a\mid s)Q^\pi(s,a)$	参数变化如何影响平均回报
对数导数技巧	$\nabla_\theta\pi=\pi\nabla_\theta\log\pi$	把难算的概率梯度改成易采样形式
优势加权更新	$\nabla J \approx \hat{A}t\nabla\log\pi\theta(a_t\mid s_t)$	相对平均更好的动作被加强
PPO 概率比	$r_t=\frac{\pi_\theta(a_t\mid s_t)}{\pi_{old}(a_t\mid s_t)}$	衡量新旧策略变化
二阶 Taylor 展开	$f(\theta+\Delta)\approx f(\theta)+\nabla f^\top\Delta+\frac{1}{2}\Delta^\top H\Delta$	理解曲率和信任域
PPO 裁剪项	$\min(r_t\hat{A}_t,\mathrm{clip}(r_t,1-\epsilon,1+\epsilon)\hat{A}_t)$	限制策略更新过大
GRPO 组优势	$\hat{A}_i=\frac{r_i-\mu}{\sigma}$	用组内相对奖励替代 Critic

---

从直觉到公式：回顾这条线索

到这里，整条学习路径可以串起来：先从一维导数和一次参数更新出发，理解"梯度告诉我们往哪走"；然后通过链式法则和偏导数把这个工具扩展到多参数网络；接着策略梯度把"好动作概率上升"的直觉写成数学表达式；优势函数让更新信号更精确；PPO 裁剪和 Adam 控制更新步长；最后 GRPO 用组内相对比较替代了 Critic。读到任何一个复杂的优化公式时，可以试着找出三件事：目标函数是什么、梯度方向来自哪里、更新幅度如何被控制。

---

几个容易踩的坑

1. 把梯度当成最终答案。 梯度只是方向，真正更新还要乘以学习率，并可能经过裁剪、归一化或 Adam 调整。拿到梯度不等于完成了更新。
2. 以为回报越大更新越安全。 高回报样本可能导致过大更新，反而把策略搞坏。PPO 的概率比裁剪正是为了防止这种情况。
3. 忽略 Critic 的误差。 Actor 的优势估计依赖 Critic 的预测；Critic 不准时，策略更新方向也会跟着偏。

常见误区

遇到优化公式时，最容易犯的三个错误是：(1) 把梯度当成最终答案，忘了还要乘学习率和经过裁剪；(2) 以为回报越大更新越安全，忽略了高回报可能导致策略崩溃；(3) 忽略 Critic 误差会传递到 Actor 的更新方向上。

---

小练习

1. 对 $J(\theta)=-(\theta-1)^2+2$ 求导，并从 $\theta=0$、学习率 $0.1$ 做一步梯度上升。
2. 旧策略概率为 $0.4$，新策略概率为 $0.6$，优势为 $3$，未裁剪 PPO 项是多少？若 $\epsilon=0.2$，裁剪后是多少？
3. 若 $V(s_t)=5$，$R_{t+1}=2$，$V(s_{t+1})=6$，$\gamma=0.9$，一步 TD 误差是多少？