【李宏毅深度强化学习笔记】1、策略梯度方法(Policy Gradient)
【李宏毅深度强化学习笔记】2、Proximal Policy Optimization (PPO) 算法
【李宏毅深度强化学习笔记】3、Q-learning(Basic Idea)
【李宏毅深度强化学习笔记】4、Q-learning更高阶的算法(本文)
【李宏毅深度强化学习笔记】5、Q-learning用于连续动作 (NAF算法)
【李宏毅深度强化学习笔记】6、Actor-Critic、A2C、A3C、Pathwise Derivative Policy Gradient
【李宏毅深度强化学习笔记】8、Imitation Learning
-------------------------------------------------------------------------------------------------------
【李宏毅深度强化学习】视频地址:https://www.bilibili.com/video/av63546968?p=4
课件地址:http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.html
-------------------------------------------------------------------------------------------------------
Double DQN(DDQN)
DQN的Q-value往往是被高估的,如下图
上图为四个游戏的训练结果的对比。
橙色的曲线代表DQN估测的Q-value,橙色的直线代表DQN训练出来的policy实际中获得的Q-value
蓝色的曲线代表Double DQN估测的Q-value,蓝色的直线代表Double DQN训练出来的policy实际中获得的Q-value
由图可以看出两点:
- 从橙色的曲线和橙色的直线可以看出,DQN估测出来的Q-value,往往会高于实际中的Q-value
- 从橙色的直线和蓝色的直线可以看出,Double DQN训练出来的policy,一般会好过DQN训练出来的policy
从第三篇笔记(https://blog.csdn.net/ACL_lihan/article/details/104041905)中Q-function的概念可以得出,的结果会接近于
。但是
往往容易会得到高估的结果,以下图为例子:
4个柱子代表4个action得到的Q-value,实际上都是相同的;右图绿色的部分表示高估的部分。
因为Q-function本身就是一个network,估测出来的值本身是有误差的,所以原本4个action都相等的Q-value就变成右图的样子。而因为,所以又往往会选择Q-value最大的那个结果。所以就会导致
的结果总是偏大。
在Double DQN的右边中,决定采取Q-value最大的action,然后由
算出Q-value。
好处:
- 即便Q过估计了某个值,只要
没有高估,最后的结果还是正常的
- 即便
过估计了某个值,只要Q没有选到那个action,最后的结果还是正常的
可以采用Target network去算Q-value,这样就不用训练额外的network。
Dueling DQN
Dueling DQN做得唯一一件事就是改network的架构 。如下图,上半部分为DQN,下半部分为Dueling DQN。
Dueling DQN中,输出结果变成,因为有时候在某种state,无论做什么动作,对下一个state都没有多大的影响,所以将Q-function分解为两部分。比如,在一个好的state,无论做什么action,都能得到很高的value;在一个很差的state,无论做什么action,都只会得到一个很低的value。
举个例子:
上表中,
初始状态为左图所示。假设现在我们sample到新的Q-value ,
如中间图所示。这时network可以选择不更新
和
,而去更新
,如中间图所示。
更新完后,可以看到
也跟着被更新了。这样的好处是,原本只sample到
,
的更新,但是由于
被更新,就使得
也同样被更新,即便
没有在实际中被sample到。这样实现比较有效率地使用数据,加速训练。
(那没有被sample到,然后也跟着更新会不会造成错误的结果呢?答案是不会,因为根据sample到的data,在
无论采取
或
都会使得
,
进一步上升,所以可以把
看成是一个好的state,无论采取什么action,都会得到好的结果)
为了防止network把直接调成0,然后导致
,这样Dueling DQN和普通的DQN就没区别了,所以需要对
做一下限制。这样对
进行参数更新比较麻烦,network就会倾向于对
进行参数更新。
具体来说,所加的限制可以是:强制的每一列的和都为0,如上图所示。
加上这个限制后,按照刚才的例子,如果这一列都加1,network如果不去调
而去调
的值都加1,就会导致最终
这一列的和不为0,没办法符合上述的限制。所以加上这个限制后就防止network只调
而不去调
。
这时可以看成
每一列的平均值,推导如下:
下图展示了实际过程中,如何使的每一列的和都为0:
上图的输出值为1,
的输出值为{7,3,2}
为了使的每一列的和都为0,可以使
的每个数减去对应所在列的平均数,即{7,3,2}变成{3,-1,-2},此为Normalization的过程。
优先回放(Prioritized Experience Replay)
之前在buffer中sample数据去训练network的时候,是无差别地sample每一笔数据,就是说没有偏向于sample哪些数据。
这样做的不足是有些:有时候因为sample到的某一笔训练数据质量不好,造成估测的值和
的差距比较大(即TD error)。如果接下去还是无差别地sample每一笔数据,就会导致这些TD error比较大的情况没有得到更多更好的训练,就会导致Q network 在有些情况估值不准确。
所以使用Prioritized Reply后,对于那些会造成TD error的情况,就会倾向于sample更多相关的数据来训练network,使得network克服这个TD error。(举个例子:A同学数学考99分,英语考30分,那他就应该买多点英语资料来学习,而不是数学英语仍然花同样的力气去学。)
N step bootstraping
MC是计算的在之后直到episode结束的所有reward,TD是计算
到
的reward。
Multi-step这个方法结合了MC和TD各自的特点,将TD改为计算到
,即由原来跳到下一个状态,改为跳到之后n个状态。特殊的,直接跳到episode结束则变为MC方法。
在之前的Q-function的训练中,从buffer中sample出,左边Q network的输入为
,
,输出结果
,右边target network的输入为
,
,输出结果
再加上
,最终训练结果应该使这两个结果尽可能接近。
而使用Multi-step后,假设为N step,则应从buffer中sample出。左边左边Q network的输入为
,
,输出结果
,右边target network的输入为
,
,输出结果
再加上从t到t+N的所有reward的总和
。
Noisy Net
这个技术是为了改进exploration的。之前的exploration(epsilon greedy)是在action上做noise。而Noisy Net是在Q-function的参数上做noise。
注意:在每一个episode开始前,对Q-function的参数添加noise,用这个添加了noise的network去玩游戏,直到episode结束,才可以重新添加新的noise。
在action上加noise,即epsilon-greedy,就算给出同一个state s,也会做出不同的action,可能是按照Q-function的结果,也可能是以random得到的结果。这不符合实际的情况,因为实际上我们希望给出同一个state,都会做出同样的action。
而在Q-function的参数上加noise,因为在这个方法规定了只在一个episode开始前添加noise,不会在episode中途再增加noise,所以在episode中遇到同一个state都会做出同样的action。所以它是比较有系统地进行exploration。比如在一个episode中,遇到状态都采取“向右”的action,在另一个episode遇到状态
都采取“向左”的action。
Distributional Q-function
使用同一policy的actor在同一个state采取同一个action,得到的cumulated reward是不同的,因为后续state是具有随机性的。如果对它进行统计,会发现它是会呈现一个分布(distribution)。而Q-value就是这些分布取mean的结果。
这样做有一个不足就是:即便mean相同,但是可能实际的分布是完全不同的。然而因为Q-function只输出Q-value(即分布的mean),所以我们看不到实际的分布。
所以Distributional Q-function就是为了能够实现从输出Q-value变成输出Q-function的分布。
左边为Q-function,右边为Distributional Q-function。
三种颜色代表三种action
同一颜色不同柱子代表在同一state下采取同一action产生的reward落在分布里的几率,具体来说,在绿色柱子里,5个柱子的X轴代表5种不同reward,Y轴代表在某一state采取某一action得到的reward落在此处的几率。
Distributional Q-function的好处:有了具体的分布,我们不仅可以从中挑选一个mean最大的动作之后(其实这一步不用Distributional Q-function也能做),还能进一步考虑哪个分布的方差最小,进一步降低不稳定的可能性。
Rainbow
这种就是把前面所有的方法全部运用在一起,可以看到最终效果还是很不错的。
其中,文章前面讲到的Multi-step可以看A3C当做参考,因为A3C中就有运用到 Multi-step 的技术。
这张图讲的是,在上面的Rainbow拿掉某一种技术后导致分数降低多少(比如绿色的线就是拿掉Dueling DQN技术)。
其中拿掉Double DQN后没有产生影响,是因为有使用Distribution Q-function的时候,一般就克服了DQN过估计(over estimate)reward的问题(而这正是Double DQN想解决的问题),甚至会出现略微低估(under estimate)reward的情况,所以使用Double DQN的效果就没有那么大。Distribution Q-function之所以能解决过估计,是因为Distribution Q-function的输出是一个分布,而这个分布的X轴(即reward大小)是有一个区间的,假设这个区间是[-10,10],而这时过估计的reward为100,超出这个区间,就没有被记录到,所以就不会有过估计(over estimate)的情况发生。