translation(hus): add mdqn_zh version and polish some typo or format problem (#232)

* fix reference format and polish MDQN_en version

* translation(hus):add mdqn_zh version and polish some typo or format problem

* fix mdqn_zh format problem and typo

* words typo and format polish

Author: TuTuHuss

source/12_policies/dqn_zh.rst

@@ -7,7 +7,7 @@ DQN
 
 快速了解
 -------------
-1. DQN 是一个 **无模型（model-free)** 且 **基于值函数（value-based）** 的强化学习算法。
+1. DQN 是一个 **无模型（model-free）** 且 **基于值函数（value-based）** 的强化学习算法。
 
 2. DQN 只支持 **离散（discrete）** 动作空间。
 

source/12_policies/index_zh.rst

@@ -18,7 +18,7 @@
     :caption: Q-学习
 
     dqn_zh
-
+    mdqn_zh
 .. toctree::
     :maxdepth: 3
     :caption: 探索

source/12_policies/mdqn.rst

@@ -29,7 +29,7 @@ The target Q value used in MDQN is:
    \hat{q}_{\mathrm{m} \text {-dqn }}\left(r_t, s_{t+1}\right)=r_t+\alpha \tau \ln \pi_{\bar{\theta}}\left(a_t \mid s_t\right)+\gamma \sum_{a^{\prime} \in A} \pi_{\bar{\theta}}\left(a^{\prime} \mid s_{t+1}\right)\left(q_{\bar{\theta}}\left(s_{t+1}, a^{\prime}\right)-\tau \ln \pi_{\bar{\theta}}\left(a^{\prime} \mid s_{t+1}\right)\right)
    
 
-For the log policy  :math:`\alpha \tau \ln \pi_{\bar{\theta}}\left(a_t \mid s_t\right)`  we used the following formula to calculate 
+For the log-policy  :math:`\alpha \tau \ln \pi_{\bar{\theta}}\left(a_t \mid s_t\right)`  we used the following formula to calculate 
 
 .. math::
 

source/12_policies/mdqn_zh.rst

@@ -0,0 +1,121 @@
+MDQN
+^^^^^^^
+
+概述
+---------
+MDQN 是在 `Munchausen Reinforcement Learning <https://arxiv.org/abs/2007.14430>`_ 中提出的。 作者将这种通用方法称为 “Munchausen Reinforcement Learning”
+(M-RL)， 以纪念 Raspe 的《吹牛大王历险记》中的一段著名描写， 即 Baron 通过拉自己的头发从沼泽中脱身的情节。
+从实际使用的角度来看， MDQN 和 DQN 之间的关键区别是 Soft-DQN (传统 DQN 算法的扩展)的即时奖励中添加了一个缩放的 log-policy 。
+
+核心要点
+-------------
+1。 MDQN 是一种 **无模型 (model-free)** 且 **基于值函数 (value-based)** 的强化学习算法。
+
+2。 MDQN 只支持 **离散 (discrete)**  动作空间。
+
+3。 MDQN 是一个 **异策略 (off-policy)** 算法。
+
+4。 MDQN 使用 **epsilon贪心 (eps-greedy)** 来做探索 (exploration)。
+
+5。 MDQN 增加了 **动作间隔 (action gap)** ， 并具有隐式的 **KL正则化 (KL regularization)** 。
+
+
+关键方程或关键框图
+---------------------------
+MDQN 中使用的目标 Q 值 (target Q value) 是:
+
+.. math::
+
+   \hat{q}_{\mathrm{m} \text {-dqn }}\left(r_t, s_{t+1}\right)=r_t+\alpha \tau \ln \pi_{\bar{\theta}}\left(a_t \mid s_t\right)+\gamma \sum_{a^{\prime} \in A} \pi_{\bar{\theta}}\left(a^{\prime} \mid s_{t+1}\right)\left(q_{\bar{\theta}}\left(s_{t+1}, a^{\prime}\right)-\tau \ln \pi_{\bar{\theta}}\left(a^{\prime} \mid s_{t+1}\right)\right)
+   
+
+我们使用以下公式计算 log-policy 的值：  :math:`\alpha \tau \ln \pi_{\bar{\theta}}\left(a_t \mid s_t\right)` 
+
+.. math::
+
+   \tau \ln \pi_{k}=q_k-v_k-\tau \ln \left\langle 1, \exp \frac{q_k-v_k}{\tau}\right\rangle
+
+其中  :math:`q_k`  在我们的代码中表示为  `target_q_current` 。 对于最大熵部分  :math:`\tau \ln \pi_{\bar{\theta}}\left(a^{\prime} \mid s_{t+1}\right)` 我们使用相同的公式进行计算，其中  :math:`q_{k+1}` 在我们的代码中表示为 `target_q` 。
+
+我们将 :math:`\tau \ln \pi(a \mid s)` 替换为 :math:`[\tau \ln \pi(a \mid s)]_{l_0}^0`` 因为对数策略项 (log-policy term) 是无界的， 如果策略变得过于接近确定性策略 (deterministic policy) ，可能会导致数值性问题 (numerical issues) 。 
+
+同时还将 :math:`\pi_{\bar{\theta}}\left(a^{\prime} \mid s_{t+1}\right)` 替换为 :math:`softmax(q-v)` ，因为这是在官方实现中使用的方法，但他们并未在论文中提及。
+
+我们使用上述改动后的配置在 asterix 进行测试，得到了与原论文相同的结果， 即MDQN可以增加动作间隙 (action gap) 。
+
+.. image:: images/action_gap.png
+   :align: center
+
+伪代码
+---------------
+.. image:: images/mdqn.png
+   :align: center
+
+扩展
+---------------
+- TBD
+
+
+实现
+----------------
+MDQNPolicy 的默认配置如下：
+
+.. autoclass:: ding.policy.mdqn.MDQNPolicy
+   :noindex:
+
+
+MDQN 使用的 TD error 接口定义如下：
+
+.. autofunction:: ding.rl_utils.td.m_q_1step_td_error
+   :noindex:
+
+
+实验 Benchmark
+------------------
+
+.. list-table:: Benchmark and comparison of mdqn algorithm
+   :widths: 25 15 30 15 15
+   :header-rows: 1
+
+   * - environment
+     - best mean reward
+     - evaluation results
+     - config link
+     - comparison
+   * - | Asterix 
+       | (Asterix-v0)
+     - 8963
+     - .. image:: images/benchmark/mdqn_asterix.png 
+     - `config_link_asterix <https://github.com/opendilab/DI-engine/blob/main/dizoo/atari/config/serial/asterix/asterix_mdqn_config.py>`_
+     - | sdqn(3513) paper(1718) dqn(3444)
+   * - | SpaceInvaders
+       | (SpaceInvaders-v0)
+     - 2211
+     - .. image:: images/benchmark/mdqn_spaceinvaders.png
+     - `config_link_spaceinvaders <https://github.com/opendilab/DI-engine/blob/main/dizoo/atari/config/serial/spaceinvaders/spaceinvaders_mdqn_config.py>`_
+     - | sdqn(1804) paper(2045) dqn(1228)
+   * - | Enduro
+       | (Enduro-v4)
+     - 1003
+     - .. image:: images/benchmark/mdqn_enduro.png
+     - `config_link_enduro <https://github.com/opendilab/DI-engine/blob/main/dizoo/atari/config/serial/enduro/enduro_mdqn_config.py>`_
+     - | sdqn(986.1) paper(1171) dqn(986.4)
+
+
+
+我们的配置和论文中的配置的主要区别如下：
+
+-  我们收集了100个样本，进行了十次训练。而在原论文中，收集了4个样本，进行了一次训练。
+-  我们每500个迭代更新一次目标网络 (target network) ，而原论文每2000个迭代更新一次目标网络。
+-  我们用于探索的epsilon从1逐渐下降到0.05，而原论文的epsilon是从0.01到0.001。
+
+P.S.:
+
+-  以上结果是在 **seed 0** 上运行同样配置得到的。
+-  对于像DQN这样的离散动作空间算法， 一般采用Atari环境集来进行测试， Atari 环境一般通过10M ``env_step`` 的最高均值奖励（highest mean reward）训练来评估。关于Atari环境的更多细节请参考：  `Atari 环境教程 <../env_tutorial/atari.html>`_ 
+
+参考文献
+----------
+
+- Vieillard, Nino, Olivier Pietquin, and Matthieu Geist. "Munchausen reinforcement learning." Advances in Neural Information Processing Systems 33 (2020): 4235-4246.
+