©PaperWeekly 原创 · 作者|张恒瑞
单位|北京交通大学
研究方向|强化学习
在强化学习的训练过程中,常常会遇见以下问题:
在某一环境中可以 work 的超参数拿去训练别的环境却训练不出来
训练时熵在增大
训练动作达到边界
本文通过调试几个环境的案例来探究强化学习的调参方法。
pendulum
摆锤这个环境可以看做连续控制中的入门环境了,环境初始时在一个随机的位置,目标是将其摆动以使其保持直立,它的状态维度为 3,动作维度为 1。
拟使用 PPO 解决这个问题,ppo 的流程如下:
使用 Actor 网络与环境交互一定步数,记录下(state, action, reward, v, done)
根据记录下来的值计算优势值 adv(更新 actor 网络使用)和 v_target(更新 critic 网络使用)
计算 loss 更新 actor 网络和 critic 网络
首先说第一步,在和环境交互的过程中,我们往往规定了步数,在规定的 step 内,环境往往没有 done,这会给我们这一次迭代计算 adv 有误差,面对这个问题,往往有两种处理方式:完成这次交互,也就是超过这一次规定的迭代步数直到 done,这样做会使每一次迭代更新时的交互 step 不同,比较不同算法在相同的step性能如何时略显不公平不完成这次交互,这样会使最后 step 采用 gae 对 adv 估值存在近似。
在 John Schulman's 程序中,对 V 估值采用这种方式:
V(s_t+1) = {0 if s_t is terminal
{v_s_{t+1} if s_t not terminal and t != T (last step)
{v_s if s_t not terminal and t == T
也就是最后一个 step 如果不是终止状态,则它下一状态的 V 估值为当前状态的 V 估值。在有的程序中,也采用 V 神经网络下一状态的值作为对下一状态的 V 函数估值。
第二步流程中计算 v_target 会根据是否采用 gae 有两种计算方式:
根据每一 step 的 reward 按照 gamma return 的方式计算 v_target
根据每一 step 的 adv 和 v 估值累加作为 v_target
第三步中 loss 计算包含有 aloss,vloss 和 entropy。
1.1 初始
我们先使用简单的 PPO 来训练一下环境,参数选择如下:
actor,critic 网络初始化为正交初始化
steps=2048;
batch=64;
lr=3e-4 且经过训练迭代数逐渐减小;
lam = lambda f: 1 - f / train_steps
self.opti_scheduler = torch.optim.lr_scheduler.LambdaLR(self.opti, lr_lambda=lam)
采用 return 方式计算v_target;
adv 计算采用 gae
loss 计算添加熵,系数(self.c_en)为 0.01
loss = aloss - loss_entropy*self.c_en + v_loss*self.c_vf
max_grad_norm=0.5
torch.nn.utils.clip_grad_norm_(self.critic.parameters(), self.max_grad_norm)
torch.nn.utils.clip_grad_norm_(self.actor.parameters(), self.max_grad_norm)
这些都是比较常规的 PPO 参数设置,进行 1000 迭代后(2048*1000 step)reward 变化如下:
算法并没有很好的学习,reward 在 100 iter 以内还有上升趋势,100iter 时突然下降,之后就再也起不来。
我们来看一下学习过程中各个诊断量变化情况。