深度强化学习笔记之PPO算法理解（1）

深度强化学习笔记之PPO算法理解（1）

笔记内容来源于李宏毅老师的深度强化学习的PPT。

关于PPO（Proximal Policy Optimization），李老师分为了三个部分进行了介绍。

• Policy Gradient：该方法是PPO的前身，与基于价值的强化学习方法不同，策略梯度法是对策略进行更新；
• On-policy | Off-policy
• Add constraint：对Policy Gradient进行一些限制，前者就变成了PPO。

1.Policy Gradient

与基于价值的强化学习方法不同，Policy Gradient通常会采集多组完整的状态序列用于actor的训练。所谓actor本质上也就是agent，它的功能在于给定一个环境状态，可以输出一个action。

actor在进行训练之前，会先与环境进行交互，然后得到一组训练数据（由多条状态序列构成）。
train data : { τ 1 , τ 2 , . . . , τ N } ,    τ i = { s 1 , a 1 , . . . , s T , a T } \text{train data}:\{\tau^1,\tau^2,...,\tau^N\}, \; \tau_i=\{s_1,a_1,...,s_T,a_T\} train data:{τ1,τ2,...,τN},τi​={s1​,a1​,...,sT​,aT​}

对于每条状态序列的奖励表示为该序列得到的所有的奖励之和，如下所示：
$$R(\tau )=\sum _{t=1}^T{r}_t\text{\hspace{1em}(1)}$$
但是Policy Gradient并不是只用一条状态序列来更新策略的，而是会根据所有的采集到的状态序列来计算它的期望奖励。
$${\bar{R}}_{\theta }=\sum _{\tau }R(\tau )p_{\theta }(\tau )=E_{\tau \sim p_{\theta }(\tau )}[R(\tau )]\text{\hspace{1em}(2)}$$
上式可以理解为：在使用参数为$\theta$的actor与环境进行互动，采集到多条状态序列，其分布可以表示为$\tau \sim p_{\theta }(\tau )$。对于这些以参数为$\theta$的actor所收集到的状态序列，Policy Gradient会计算它们的期望奖励值，然后以该期望奖励值来更新actor的参数，得到新的参数${\theta }^{\prime }$。如此往复，就是Policy Gradient的大致流程。 从这里可以看出，Policy Gradient是基于无模型的算法。

那么应该如何更新actor的参数呢？

Policy Gradient的后一个单词就告诉了我们方法，也就是采用梯度进行参数更新。即计算式(2)的梯度，然后朝着奖励值增加的方向更新参数。

对式(2)计算其梯度，我们可以得到：
$$\nabla {\bar{R}}_{\theta }=\sum _{\tau }R(\tau )\nabla p_{\theta }(\tau )=\sum _{\tau }R(\tau )p_{\theta }(\tau )\frac{\nabla p_{\theta }(\tau )}{p_{\theta }(\tau )}\text{\hspace{1em}(3)}$$
根据导数公式$\nabla f(x)=f(x)\nabla \log f(x)$，上式可以转化为：
$$\begin{array}{rl}\nabla {\bar{R}}_{\theta }& =\sum _{\tau }R(\tau )p_{\theta }(\tau )\nabla \log p_{\theta }(\tau )\\ & =E_{\tau \sim p_{\theta }(\tau )}[R_{\tau }\nabla \log p_{\theta }(\tau )](4)\\ & \approx \frac{1}{N}\sum _{n=1}^{N}R({\tau }^n)\nabla \log p_{\theta }({\tau }^n)(5)\\ & =\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}R({\tau }^n)\nabla \log p_{\theta }(a_t^n|s_t^n)(6)\end{array}$$
因为我们并不知道$\tau \sim p_{\theta }(\tau )$的真实分布，因此只能通过采样的方式计算式(4)的数学期望，也就是式(5)的形式。

上图就是Policy Gradient的大致流程，也就是数据收集和模型更新的循环。这里需要注意的是，Policy Gradient每次收集到的数据只会对模型进行一次更新，并不会反复使用这些数据。 从这就可以看出，Policy Gradient是一种"On-policy"的算法。

那么应该如何在实际应用中使用式(6)来更新模型呢？

待续…

2.From on-policy to off-policy

下图说明了两种方式的区别。简单来说，"on-policy"就是指我们自己训练，然后自己学习。而"off-policy"就是指我们可以旁观别人的训练，从而得到学习。

为什么我们要把on-policy方法转变为off-policy方法呢？

上一节我们提到Policy Gradient的训练方法，但是它的训练方法非常浪费时间。因为它获得的每一组训练资料都只能更新一次模型的参数，更新完之后又要重新收集训练资料。如果训练资料可以更新多次模型的参数，那么训练效率就会得到很大的提高。

在使用on-policy方法时，由于我们是使用参数为$\theta$的actor收集训练数据的，一旦参数$\theta$得到更新后，我们就必须重新收集数据，因为此时参数$\theta$已经变化的。

为了可以使得训练资料可以反复使用，我们就必须固定actor的参数值。一个方法就是使用两个actor，一个参数为${\theta }^{\prime }$的actor用于收集训练资料，另一个参数为$\theta$的actor用于训练。因为前者不参与训练，故它的参数也不会发生变化，如此就可以反复使用这组训练数据。

但这里需要解决一个问题，即两个不同参数的actor得到的训练数据的分布是不同的，如何将它们联系起来呢？从公式角度出发，假设前者actor采集的训练资料的分布为$q$，后者的分布为$p$，我们应该如何实现这两者之间的转化呢？
$$\nabla {\bar{R}}_{\theta }=E_{\tau \sim p}\to E_{\tau \sim q}$$
这里就需要提到一种称为Importance Sampling的技术。
$$\begin{array}{rl}{E}_{x\sim p}[f(x)]& =\int f(x)p(x)dx\\ & =\int f(x)\frac{p(x)}{q(x)}q(x)dx\\ & =E_{x\sim q}[f(x)\frac{p(x)}{q(x)}]\end{array}\text{\hspace{1em}(7)}$$
但是上述方法的应用需要满足一个条件：两类分布$(p,q)$不能差异太大。

原因在于，虽然通过式(7)使得两者的数学期望相同，但是两者的方差并不是相同的，如下图所示。

当$p(x),q(x)$相差很大时，根据采样情况存在两种可能：

• 当采样次数足够多时，虽然两者方差不同，但是最终得到的期望值是相同的。这种情况没有问题；
• 但是当采样次数不够多时，此时方差不同的影响就会产生，会导致两者的期望值不一定相等。

举一个极端的例子，如下图所示。当两者分布相差较大时，如果我们采样的次数不多，比如采样得到的样本全部都在$q(x)$右侧区域上（下图右侧的绿点），那么最终计算得到的$E_{x\sim q}$就是一个正值。但是$E_{x\sim p}$却是一个负值，此时就会导致两者的期望不相同。但是如果再多采样几个点，也许就会得到位于左侧区域的样本，由于权重大的原因（$p(x)/q(x)$比较大），就会把$E_{x\sim q}$拉到负值。

3.Add Constraint

简单来说，PPO就是Policy Gradient的"off-policy"版本。为了满足Importance Sampling的使用条件，PPO在目标函数中加入了一个约束项。
$$\begin{array}{rl}{J}^{{\theta }^k}& =\sum _{(s_t,a_t)}\frac{p_{\theta }(a_t|s_t)}{p_{{\theta }^k}(a_t|s_t)}{A}^{{\theta }^k}(s_t,a_t)(8)\\ J_{PPO}^{{\theta }^k}& =J^{{\theta }^k}-\beta KL(\theta ,{\theta }^k)(9)\\ J_{TRPO}^{{\theta }^k}& =J^{{\theta }^k},KL(\theta ,{\theta }^k)<\delta (10)\end{array}$$
PPO算法与TRPO算法的区别在于前者把约束项放入了目标函数中，而不是作为外部约束。

关于PPO算法，还有一个更加容易实现的形式：
$$J_{PPO2}^{{\theta }^k}\approx \sum _{s_t,a_t}\min (\frac{p_{\theta }(a_t|s_t)}{p_{{\theta }^k}(a_t|s_t)}{A}^{{\theta }^k}(s_t,a_t),clip(\frac{p_{\theta }(a_t|s_t)}{p_{{\theta }^k}(a_t|s_t)},1-ϵ,1+ϵ)A^{{\theta }^k}(s_t,a_t))\text{\hspace{1em}(11)}$$

注意：以上所有形式的目标函数的参数只有$\theta$，${\theta }_k$表示的是旧策略的参数，并不参与参数的更新。

关于式(11)，有一个直观的解释：

• 当$A^{{\theta }^k}(s_t,a_t)>0$时，说明$(s_t,a_t)$相对来说是比较好的，我们希望这一对出现的概率越高越好（即$p_{\theta }(a_t|s_t)$越大越好）。但是为了不让$\theta$与${\theta }_k$相差太多，设置了一个上限值$1+ϵ$；
• 当$A^{{\theta }^k}(s_t,a_t)<0$时，说明$(s_t,a_t)$相对来说是比较差的，我们希望这一对出现的概率越低越好（即$p_{\theta }(a_t|s_t)$越小越好）。但是为了不让$\theta$与${\theta }_k$相差太多，设置了一个下限值$1-ϵ$。