强化学习笔记(5)-回合策略梯度算法

最新推荐文章于 2024-05-27 10:11:45 发布

gzroy

最新推荐文章于 2024-05-27 10:11:45 发布

阅读量1.8k

点赞数 2

分类专栏：机器学习人工智能 Python编程文章标签： python 算法机器学习

本文链接：https://blog.csdn.net/gzroy/article/details/121491785

版权

人工智能同时被 3 个专栏收录

42 篇文章 23 订阅

订阅专栏

机器学习

41 篇文章 8 订阅

订阅专栏

Python编程

23 篇文章 3 订阅

订阅专栏

以下为阅读《强化学习：原理与python实现》这本书第七章的学习笔记。

在之前学习到的强度学习方法中，都是通过学习最优价值函数来获得最优策略。现在换一个角度来思考，我们可以通过用含参函数来近似最优策略，并在迭代中更新参数值，这就是策略梯度算法。

用函数近似方法估计最优策略 $\pi_{*}(a|s)$ 的基本思想是用含参函数 $\pi(a|s;\theta )$ 来近似最优策略。由于任意策略 $\pi$ 都需要满足对于任意的状态 $s\in S$ ，均有 $\sum_{a}^{}\pi(a|s)=1$ ，我们也希望 $\pi(a|s;\theta )$ 满足对于任意的 $s\in S$ ，均有 $\sum_{a}^{}\pi(a|s;\theta)=1$ 。为此我们可以引入动作偏好函数 $h(s,a;\theta)$ ，使得

$\pi(a|s;\theta)=\frac{exp h(s,a;\theta)}{\sum_{a'}^{}exp h(s,a';\theta)} , s\in S, a\in A(s)$

动作偏好函数可以具有线性组合或神经网络等多种形式，通过基于梯度的迭代算法来更新参数 $\theta$ ，就可以得到最优状态估计。

策略梯度定理

策略梯度定理给出了期望回报和策略梯度之间的关系，是策略梯度方法的基础

在回合制任务中，策略 $\pi(\theta)$ 期望回报可以表示为 $E_{\pi(\theta)}[G_{0}]$ ，策略梯度定理给出了它对策略参数 $\theta$ 的梯度为

$\triangledown E_{\pi(\theta)}[G_{0}]=E\left [\sum_{t=0}^{+\infty } \gamma^{t}G_{t}\triangledown ln\pi(A_{t}|S_{t};\theta) \right ]$

策略梯度定理告诉我们，只要知道了 $\triangledown ln\pi(A_{t}|S_{t};\theta)$ 的值，就可以得到期望回报的梯度。因此我们可以顺着梯度的方向改变 $\theta$ 以增大期望回报。

简单的策略梯度算法

在每一个回合结束后，我们可以就回合中的每一步用以下公式来更新参数 $\theta$ ，这样的算法称为简单的策略梯度算法：

$\theta_{t+1}\leftarrow \theta_{t}+\alpha \gamma^{t}G_{t}\triangledown ln\pi(A_{t}|S_{t};\theta), t=0,1,...$

算法如下

输入：环境，策略 $\pi$

输出：最优策略的估计 $\pi(\theta)$

参数：优化器（隐含学习率 $\alpha$ ），折扣因子 $\gamma$ ，控制回合数和回合内步数的参数

1. （初始化） $\theta\leftarrow$ 任意值

2.（时序差分更新）对每个回合执行以下操作

2.1（采样）用策略 $\pi(\theta)$ 生成轨迹 $S_{0},A_{0},R_{1},S_{1},...,S_{T-1},A_{T-1},R_{T},S_{T}$

2.2（初始化回报） $G\leftarrow 0$

2.3 对t=T-1, T-2,...,0，执行以下步骤：

2.3.1（更新回报） $G\leftarrow \gamma G+R_{t+1}$

2.3.2（更新策略）更新 $\theta$ 以减小 $-\gamma^{t}Gln\pi(A_{t}|S_{t};\theta)$ , 如 $\theta\leftarrow \theta+\alpha \gamma^{t}G\triangledown ln\pi(A_{t}|S_{t};\theta)$

车杆平衡案例

以Gym库的车杆平稳问题为例，一个小车在直线滑轨上移动，一个杆一头连着小车，一头悬空。小车的初始位置和杆的初始角度都是在一定范围内随机选取的。智能体可以控制小车沿着滑轨左右移动。当出现以下任意一种情形时，回合结束：

1. 杆的倾斜角度超过12度

2. 小车移动超过2.4个单位长度

3. 回合到达200步

每进行一步得到1个单位的奖励。我们希望回合能够尽量地长。一般认为，如果在连续的100个回合中的平均奖励>=195，就认为问题解决了。

下面视频是以随机策略来进行，可以看到回合进行到21步就结束了，因为杆的倾斜角度超过了12度。

CartPole_random_trim

我们用策略梯度算法来解决这个问题，如以下的代码：

import gym
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import tensorflow as tf
import tensorflow.keras as keras
from keras.initializers import GlorotUniform
import tqdm
%matplotlib inline
from IPython import display

env = gym.make("CartPole-v0")

class VPGAgent:
    def __init__(self, env, policy_kwargs, baseline_kwargs=None, gamma=0.99):
        self.action_n = env.action_space.n
        self.gamma = gamma
        
        self.trajectory = []
        self.policy_net = self.build_network(
            output_size=self.action_n, 
            output_activation=tf.nn.softmax, 
            loss=keras.losses.categorical_crossentropy, 
            **policy_kwargs)
        if baseline_kwargs:
            self.baseline_net = self.build_network(
                output_size=1,
                **baseline_kwargs)
    
    def build_network(self, hidden_sizes, output_size, activation=tf.nn.relu, output_activation=None, loss=keras.losses.mse, learning_rate=0.01):
        model = keras.Sequential()
        for hidden_size in hidden_sizes:
            model.add(keras.layers.Dense(units=hidden_size, activation=activation))
        model.add(keras.layers.Dense(units=output_size, activation=output_activation))
        optimizer = keras.optimizers.Adam(learning_rate)
        model.compile(optimizer=optimizer, loss=loss)
        return model
    
    def decide(self, observation):
        probs = self.policy_net.predict(observation[np.newaxis])[0]
        action = np.random.choice(self.action_n, p=probs)
        return action
    
    def learn(self, observation, action, reward, done):
        self.trajectory.append((observation, action, reward))
        if done:
            df = pd.DataFrame(self.trajectory, columns=['observation', 'action', 'reward'])
            df['discount'] = self.gamma ** df.index.to_series()
            df['discounted_reward'] = df['discount'] * df['reward']
            df['discounted_return'] = df['discounted_reward'][::-1].cumsum()
            df['psi'] = df['discounted_return']
            
            x = np.stack(df['observation'])
            if hasattr(self, 'baseline_net'):
                df['baseline'] = self.baseline_net.predict(x)
                df['psi'] -= (df['baseline']*df['discount'])
                df['return'] = df['discounted_return']/df['discount']
                y = df['return'].values[:,np.newaxis]
                self.baseline_net.fit(x,y,verbose=0)
                
            sample_weight = df['psi'].values[:, np.newaxis]
            y = np.eye(self.action_n)[df['action']]
            self.policy_net.fit(x,y,sample_weight=sample_weight,verbose=0)
            self.trajectory = []

policy_kwargs = {
    'hidden_sizes': [10,], 
    'activation': tf.nn.relu,
    'learning_rate': 0.01
}
agent = VPGAgent(env, policy_kwargs=policy_kwargs)

def play_montecarlo(env, agent, render=False, train=False, random=False):
    episode_reward = 0
    observation = env.reset()
    step = 0
    img = plt.imshow(env.render(mode='rgb_array'))
    while True:
        step += 1
        if render:
            plt.title("%s | Step: %d" % ("Moutain Car",step))
            plt.axis('off')
            img.set_data(env.render(mode='rgb_array'))
            display.display(plt.gcf())
            display.clear_output(wait=True)
        if random:
            action = np.random.choice(agent.action_n)
        else:
            action = agent.decide(observation)
        next_observation, reward, done, _ = env.step(action)
        episode_reward += reward
        if train:
            agent.learn(observation, action, reward, done)
        if done:
            break
        observation = next_observation
    return episode_reward

episodes = 500
episode_rewards = []
for episode in tqdm.trange(episodes):
    episode_reward = play_montecarlo(env, agent, train=True)
    episode_rewards.append(episode_reward)
plt.plot(episode_rewards)

解释一下代码中的learn函数：

考虑一个回合总共进行了5步，每步的奖励值是1，Gamma是0.9，则：

$\gamma^{0}G_{0}=1*(1+0.9*1+0.9^{2}*1+0.9^{3}*1+0.9^{4}*1)$

$\gamma^{1}G_{1}=0.9*(1+0.9*1+0.9^{2}*1+0.9^{3}*1)=0.9*1+0.9^{2}*1+0.9^{3}*1+0.9^{4}*1$

$\gamma^{2}G_{2}=0.9^{2}*(1+0.9*1+0.9^{2}*1)=0.9^{2}*1+0.9^{3}*1+0.9^{4}*1$

$\gamma^{3}G_{3}=0.9^{3}*(1+0.9*1)=0.9^{3}*1+0.9^{4}*1$

$\gamma^{4}G_{4}=0.9^{4}*(1)=0.9^{4}*1$

对应代码中的

discounted_reward = [1, 1*0.9, 1*0.9**2, 1*0.9**3, 1*0.9**4]
discounted_return = [(1+1*0.9+...+1*0.9**4),(1*0.9+...+1*0.9**4),(1*0.9**2+...+1*0.9**4),(1*0.9**3+1*0.9**4),1*0.9**4]

可见discounted_return存储的是 $\gamma^{t}G_{t}$ 的值

对于神经网络的输出函数是softmax，代表不同类型action的概率值。采用交叉熵作为损失函数，其公式为-ylna, a为softmax的输出值。

根据上面策略梯度算法提到的，我们的目标是更新 $\theta$ 以减小 $-\gamma^{t}Gln\pi(A_{t}|S_{t};\theta)$ ，即交叉熵的损失函数的值乘以 $\gamma^{t}G_{t}$ ，我们只需要在训练神经网络的fit函数中指定sample_weight为 $\gamma^{t}G_{t}$ 即可。

训练500步之后，每个回合的奖励值如下图，可见随着训练的回合数增加，策略逐渐得到了优化，后期很多回合的奖励值都去到了200：

我们可以用训练好的模型来试玩一个回合，运行以下代码：

episode_reward = play_montecarlo(env, agent, render=True, train=False, random=False)

结果如以下视频：

CartPole_train_Trim

gzroy

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
打赏
0
评论
强化学习笔记(5)-回合策略梯度算法

记录一下在阅读《强化学习：原理与python实现》这本书的学习笔记。在之前学习到的强度学习方法中，每次更新价值函数只更新某个状态动作对的价值估计。但是有些情况下状态动作对的数量非常大，不可能对所有的状态动作对逐一更新。函数近似方法用参数化的模型来近似整个状态价值函数，并在每次学习时更新整个函数，这样，对于没有被访问过的状态动作对的价值估计也能得到更新。函数近似方法采用一个参数为w的函数q(s,a:w)来近似动作价值。...
复制链接

扫一扫