前言
策略梯度(Policy Gradient, PG)的通俗介绍。
一、来源？
1. DQN
深度学习是监督学习，需要有标签数据来计算损失函数，通过梯度下降和误差反向传播来更新神经网络的参数，那在强化学习中如何获得标签呢？
Q-learning：
Q
(
S
t
,
A
t
)
←
Q
(
S
t
,
A
t
)
+
α
[
R
t
+
1
+
γ
max
a
Q
(
S
t
+
1
,
a
)
−
Q
(
S
t
,
A
t
)
]
Q\left( S_t,A_t \right) \gets Q\left( S_t,A_t \right) +\alpha \left[ R_{t+1}+\gamma \underset{a}{\max}Q\left( S_{t+1},a \right) -Q\left( S_t,A_t \right) \right]
Q(St,At)←Q(St,At)+α[Rt+1+γamaxQ(St+1,a)−Q(St,At)]
R
t
+
1
+
γ
max
a
Q
(
S
t
+
1
,
a
;
θ
)
R_{t+1}+\gamma \underset{a}{\max}Q\left( S_{t+1},a;\theta \right)
Rt+1+γamaxQ(St+1,a;θ)
用神经网络拟合Q学习中的误差项，使其
L
(
θ
)
=
E
(
(
R
+
max
a
Q
(
s
,
a
,
θ
)
−
Q
(
s
,
a
,
θ
)
)
2
)
L\left( \theta \right) =E\left( \left( R+\underset{a}{\max}Q\left( s,a,\theta \right) -Q\left( s,a,\theta \right) \right) ^2 \right)
L(θ)=E((R+amaxQ(s,a,θ)−Q(s,a,θ))2)
最小化。这里括号内的
R
t
+
γ
max
a
Q
(
S
t
,
a
;
θ
)
R_{t}+\gamma \underset{a}{\max}Q\left( S_{t},a;\theta \right)
Rt+γamaxQ(St,a;θ) 近似
Q
(
s
,
a
,
θ
)
Q\left( s,a,\theta \right)
Q(s,a,θ) 即可最大程度上使前文标签合理化，因此之后的改进也是围绕这点进行的。
2 DQN的不足
深度学习需要大量带标签的训练数据；
强化学习从 scalar reward 进行学习，但是 reward 经常是 sparse,
noisy, delayed； 深度学习假设样本数据是独立同分布的，但是强化学习中采样的数据是强相关的。
因此，DQN 采用经验回放（Experience Replay）机制，将训练过的数据进行储存到 Replay Buffer 中，以便后续从中随机采样进行训练，好处就是：1. 数据利用率高；2. 减少连续样本的相关性，从而减小方差（variance）。
Nature 2015 中 DQN 做了改进，提出了一个目标网络
Q
(
S
t
+
1
,
a
;
θ
−
)
Q\left( S_{t+1},a;\theta ^- \right)
Q(St+1,a;θ−) 每经过 N 个回合的迭代训练，将
Q
(
S
t
+
1
,
a
;
θ
)
Q\left( S_{t+1},a;\theta \right)
Q(St+1,a;θ) 的参数复制给目标网络
Q
(
S
t
+
1
,
a
;
θ
−
)
Q\left( S_{t+1},a;\theta ^- \right)
Q(St+1,a;θ−)
DQN虽然在某些问题上取得了成功，但存在以下问题：
1.无法表示随机策略，某些问题的最优策略是随机策略，需要以不同的概率选择不同的动作。而DQN之类的算法在实现时采用了 贪心策略
max
a
Q
(
S
t
,
a
;
θ
)
\underset{a}{\max}Q\left( S_{t},a;\theta \right)
amaxQ(St,a;θ)，显然无法实现这种按照概率执行各种候选动作的要求。
2.这种方法输出值（各个动作的最优Q函数值）的微小改变会导致某一动作被选中或不选中，这种不连续的变化会影响算法的收敛。这很容易理解，假设一个动作a的Q函数值本来在所有动作中是第2大的，把它增加0.0001，就变成第最大的，那这种微小的变化会导致策略完全改变。因为之前它不是最优动作，现在变成最优动作了。
3.无法表示连续动作。DQN要求动作空间是离散的，且只能是有限个。某些问题中，动作是连续的，例如要控制在x y z方向的速度、加速度，这些值显然是连续的。
二、策略梯度
1.区别
PG让神经网络直接输出策略函数 π(s)，即在状态s下应该执行何种动作。对于非确定性策略，输出的是这种状态下执行各种动作的概率值，即如下的条件概率：
π
(
a
∣
s
)
=
p
(
a
∣
s
)
\pi \left( a|s \right) =p\left( a|s \right)
π(a∣s)=p(a∣s)
对于PG，其输出的是每种动作的概率，而不是DQN中的Q值，从而使每种动作选择的概率是确定的，因此是确定性策略。
此时的神经网络输出层的作用类似于多分类问题的softmax回归，输出的是一个概率分布，只不过这里的概率分布不是用来进行分类，而是执行动作。至于对于连续型的动作空间该怎么处理，我们在后面会解释。
因此，如果构造出了一个目标函数L，其输入是神经网络输出的策略函数
π
(
a
∣
s
)
\pi(a|s)
π(a∣s).这可以通过梯度上升法实现（与梯度下降法相反，向着梯度方向迭代，用于求函数的极大值）。训练时的迭代公式为
θ
t
+
1
=
θ
t
+
α
∇
θ
L
(
θ
t
)
\theta _{t+1}=\theta _t+\alpha \nabla _{\theta}L\left( \theta _t \right)
θt+1=θt+α∇θL(θt)
这里假设策略函数对参数的梯度
∇
0
π
(
a
∣
s
;
θ
)
\nabla _0\pi \left( a|s;\theta \right)
∇0π(a∣s;θ) 存在，从而保证
∇
θ
L
(
θ
t
)
\nabla _{\theta}L\left( \theta _t \right)
∇θL(θt)现在问题的核心就是
(1)如何构造这种目标函数L
(2)如何生成训练样本。
对于后者，采用了与DQN类似的思路，即按照当前策略随机地执行动作，并观察其回报值，以生成样本。
对于第一个问题，一个自然的想法是使得按照这种策略执行时的累计回报最大化，即构造出类似V函数和Q函数这样的函数来。下面介绍常用的目标函数。
2.目标函数构造
第一种称为平均奖励（average reward）目标函数，用于没有结束状态和起始状态的问题。它定义为各个时刻回报值的均值，是按照策略π执行，时间长度n趋向于+∞时回报均值的极限：
L
(
π
)
=
lim
n
→
+
∞
1
n
E
[
r
1
+
r
2
+
⋯
+
r
n
∣
π
]
=
∑
s
p
π
(
s
)
∑
a
π
(
a
∣
s
)
R
(
a
,
s
)
L\left( \pi \right) =\underset{n\rightarrow +\infty}{\lim}\frac{1}{n}E\left[ r_1+r_2+\cdots +r_n|\pi \right] =\sum_s{p_{\pi}\left( s \right) \sum_a{\pi \left( a|s \right) R\left( a,s \right)}}
L(π)=n→+∞limn1E[r1+r2+⋯+rn∣π]=s∑pπ(s)a∑π(a∣s)R(a,s) 其中，ri为即时回报，p(s)是状态s的平稳分布，定义为按照策略π执行时该状态出现的概率，
∑
a
π
(
a
∣
s
)
R
(
a
,
s
)
\sum_a{\pi \left( a|s \right) R\left( a,s \right)}
a∑π(a∣s)R(a,s) 则为在状态s下执行各种动作时得到的立即回报的均值，R(a,s)为在状态s下执行动作a所得到的立即回报的数学期望。
R
(
s
,
a
)
=
E
[
r
t
+
1
∣
s
t
=
s
,
a
t
=
a
]
R\left( s,a \right) =E\left[ r_{t+1}|s_t=s,a_t=a \right]
R(s,a)=E[rt+1∣st=s,at=a] 平稳分布是如下的极限
p
π
(
s
)
=
lim
t
→
+
∞
p
(
s
t
=
s
∣
s
0
,
π
)
p_{\pi}\left( s \right) =\underset{t\rightarrow +\infty}{\lim}p\left( s_t=s|s_0,\pi \right)
pπ(s)=t→+∞limp(st=s∣s0,π) 其意义为按照策略π执行，当时间t趋向于+∞时状态s出现的概率。这是随机过程中的一个概念，对于马尔可夫链，如果满足一定的条件，则无论起始状态的概率分布（即处于每种状态的概率）是怎样的，按照状态转移概率进行演化，系统最后会到达平稳分布，在这种情况下，系统处于每种状态的概率是稳定的。
总结
代码来自于莫烦强化学习教程：Tutorial，Code
class DeepQNetwork:
def __init__(
self,
n_actions,
n_features,
learning_rate=0.01,
reward_decay=0.9,
e_greedy=0.9,
replace_target_iter=300,
memory_size=500,
batch_size=32,
e_greedy_increment=None,
output_graph=False,
):
self.n_actions = n_actions
self.n_features = n_features
self.lr = learning_rate
self.gamma = reward_decay
self.epsilon_max = e_greedy
self.replace_target_iter = replace_target_iter
self.memory_size = memory_size
self.batch_size = batch_size
self.epsilon_increment = e_greedy_increment
self.epsilon = 0 if e_greedy_increment is not None else self.epsilon_max
# total learning step
self.learn_step_counter = 0
# initialize zero memory [s, a, r, s_]
self.memory = np.zeros((self.memory_size, n_features * 2 + 2))
# consist of [target_net, evaluate_net]
self._build_net()
t_params = tf.get_collection('target_net_params')
e_params = tf.get_collection('eval_net_params')
self.replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)]
self.sess = tf.Session()
if output_graph:
# $ tensorboard --logdir=logs
tf.summary.FileWriter("logs/", self.sess.graph)
self.sess.run(tf.global_variables_initializer())
self.cost_his = []
def _build_net(self):
# ------------------ build evaluate_net ------------------
self.s = tf.placeholder(tf.float32, [None, self.n_features], name='s') # input
self.q_target = tf.placeholder(tf.float32, [None, self.n_actions], name='Q_target') # for calculating loss
with tf.variable_scope('eval_net'):
# c_names(collections_names) are the collections to store variables
c_names = ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
n_l1 = 10
w_initializer = tf.random_normal_initializer(0., 0.3)
b_initializer = tf.constant_initializer(0.1)
# first layer. collections is used later when assign to target net
with tf.variable_scope('l1'):
w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)
b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)
l1 = tf.nn.relu(tf.matmul(self.s, w1) + b1)
# second layer. collections is used later when assign to target net
with tf.variable_scope('l2'):
w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)
self.q_eval = tf.matmul(l1, w2) + b2
with tf.variable_scope('loss'):
self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_eval))
with tf.variable_scope('train'):
self._train_op = tf.train.RMSPropOptimizer(self.lr).minimize(self.loss)
# ------------------ build target_net ------------------
self.s_ = tf.placeholder(tf.float32, [None, self.n_features], name='s_') # input
with tf.variable_scope('target_net'):
# c_names(collections_names) are the collections to store variables
c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
# first layer. collections is used later when assign to target net
with tf.variable_scope('l1'):
w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)
b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)
l1 = tf.nn.relu(tf.matmul(self.s_, w1) + b1)
# second layer. collections is used later when assign to target net
with tf.variable_scope('l2'):
w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)
self.q_next = tf.matmul(l1, w2) + b2
def store_transition(self, s, a, r, s_):
if not hasattr(self, 'memory_counter'):
self.memory_counter = 0
transition = np.hstack((s, [a, r], s_))
# replace the old memory with new memory
index = self.memory_counter % self.memory_size
self.memory[index, :] = transition
self.memory_counter += 1
def choose_action(self, observation):
# to have batch dimension when feed into tf placeholder
observation = observation[np.newaxis, :]
if np.random.uniform() < self.epsilon:
# forward feed the observation and get q value for every actions
actions_value = self.sess.run(self.q_eval, feed_dict={self.s: observation})
action = np.argmax(actions_value)
else:
action = np.random.randint(0, self.n_actions)
return action
def learn(self):
# check to replace target parameters
if self.learn_step_counter % self.replace_target_iter == 0:
self.sess.run(self.replace_target_op)
print('\ntarget_params_replaced\n')
# sample batch memory from all memory
if self.memory_counter > self.memory_size:
sample_index = np.random.choice(self.memory_size, size=self.batch_size)
else:
sample_index = np.random.choice(self.memory_counter, size=self.batch_size)
batch_memory = self.memory[sample_index, :]
q_next, q_eval = self.sess.run(
[self.q_next, self.q_eval],
feed_dict={
self.s_: batch_memory[:, -self.n_features:], # fixed params
self.s: batch_memory[:, :self.n_features], # newest params
})
# change q_target w.r.t q_eval's action
q_target = q_eval.copy()
batch_index = np.arange(self.batch_size, dtype=np.int32)
eval_act_index = batch_memory[:, self.n_features].astype(int)
reward = batch_memory[:, self.n_features + 1]
q_target[batch_index, eval_act_index] = reward + self.gamma * np.max(q_next, axis=1)
"""
For example in this batch I have 2 samples and 3 actions:
q_eval =
[[1, 2, 3],
[4, 5, 6]]
q_target = q_eval =
[[1, 2, 3],
[4, 5, 6]]
Then change q_target with the real q_target value w.r.t the q_eval's action.
For example in:
sample 0, I took action 0, and the max q_target value is -1;
sample 1, I took action 2, and the max q_target value is -2:
q_target =
[[-1, 2, 3],
[4, 5, -2]]
So the (q_target - q_eval) becomes:
[[(-1)-(1), 0, 0],
[0, 0, (-2)-(6)]]
We then backpropagate this error w.r.t the corresponding action to network,
leave other action as error=0 cause we didn't choose it.
"""
# train eval network
_, self.cost = self.sess.run([self._train_op, self.loss],
feed_dict={self.s: batch_memory[:, :self.n_features],
self.q_target: q_target})
self.cost_his.append(self.cost)
# increasing epsilon
self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_max
self.learn_step_counter += 1
964
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
