【李宏毅深度强化学习笔记】—1、策略梯度方法（Policy Gradient）

最新推荐文章于 2024-04-24 23:15:00 发布

薛定谔的炼丹炉！

最新推荐文章于 2024-04-24 23:15:00 发布

阅读量468

点赞数

分类专栏：强化学习文章标签：笔记

原文链接：https://blog.csdn.net/ACL_lihan/article/details/104020259

版权

强化学习专栏收录该内容

25 篇文章 3 订阅

订阅专栏

原文链接：https://blog.csdn.net/ACL_lihan/article/details/104020259

补充：
问题：为什么奖励R是正数，概率pθ就会变大？
理解1：
如果采取action得到正奖励，那就需要提高在s下采取a的概率p(a,s)，才会让总的R变大，反之如果采取action得到负奖励，那就需要减少在s下采取a的概率p(a,s)，才会让总的R变大

理解2：
借用分类中交叉熵损失函数，loss = argmin -ylg y’ = argmax ylg y’
类比上面损失函数，若R大于0，要argmax的话，则概率p(a,s)也要越大，
反之，若R大于0，要argmax的话，则概率p(a,s)也要越小
在这里插入图片描述

【李宏毅深度强化学习笔记】1、策略梯度方法（Policy Gradient）（本文）

【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

【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】7、Sparse Reward

【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=1

课件地址：http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.html

-------------------------------------------------------------------------------------------------------

回顾

在强化学习中，主要有三个部件(components)：actor、environment、reward function。其中env和reward function是事先就定好的，你不能控制的。唯一能调整的是actor的policy，使actor能获得最大的reward。

policy是actor中起决策作用的一个东西，决定了actor的行为。就是说输入什么状态（state）要输出什么动作（action）。

这里以 $\pi$ 来代表policy。在深度强化学习中，policy是通常使用network来实现，network中会包含很多参数，这里就用 $\theta$ 来统一代表这些参数。

这里以游戏画面作为输入，经过红框的网络（policy）决策后，得出采取各种动作的几率，所以最终得出做left这个动作。

（类似于图像分类，看到什么图像，分成哪几类。只是这里的类别是要做出的动作）

一个例子：

初始的游戏画面作为 $s_1$ ，针对 $s_1$ 采取的动作为 $a_1$ ，行动后会得到一个reward记为 $r_1$ 。之后会看到下一个游戏画面 $s_2$ ...

经过很多轮 $(s,a,r)$ 后游戏结束了，从开始到结束玩的这一次游戏称为一个episode，将每一个episode的 reward 相加就能得到Total reward: $R=\sum_{t=1}^Tr_t$ 。actor 的目标就是将 Total reward R 最大化。

把每一个episode的所有s和a的序列，叫做Trajectory

在给定policy的参数 $\theta$ 的情况下，可以计算每一个 $\tau$ 存在的概率 $p_\theta(\tau)$ 。

其中 $p(s_{t+1}|s_t,a_t)$ 代表的是environment，一般我们没办法控制这一部分。我们能控制的是采取不同的 $\theta$ （policy网络的参数），进而影响 $p_\theta(a_t|s_t)$ ，最终对 $p_\theta(\tau)$ 产生影响。

给定一个 $\tau$ 可以得到一局游戏的 R，我们要做的就是调整actor中的参数，使得 $R(\tau)$ 最大化。但是注意 $R(\tau)$ 不是常量 scalable，而是随机变量 random variable，因为采取哪个action是有随机性的，而环境给出哪个state也是有随机性的。

所以对于 R 我们要算它的期望 $\bar{R_\theta}$ 。穷举所有的trajectory $\tau$ 并计算每个 $\tau$ 出现的概率，最后算 $\sum_\tau{R(\tau)p_\theta(\tau)}$ 。或者这样理解：从 $p_\theta(\tau)$ 的分布中采样（sample）出一个 $\tau$ ，然后计算 $R(\tau)$ 的期望。

那很明显我们要做的就是最大化Expected Reward，所以可以采用policy gradient来做。

Policy Gradient:

为了使 $\bar{R_\theta}$ 最大化，我们需要做gradient ascent（注意不是gradient descent！），即对 $\bar{R_\theta}$ 求梯度。注意 $\bar{R_\theta}$ 中 $R(\tau)$ 是不可微的，但不影响。

$E_{\tau \sim p_\theta(\tau)}[R(\tau)\nabla log p_\theta(\tau)]$ 是无法计算的，所以sample出N个 $\tau$ ，对每个 $\tau$ 求 $R(\tau^n)\nabla log p_\theta(\tau^n)$ 再求和取平均。

上面提到，而 $p(s_{t+1}|s_t,a_t)$ 由环境决定，我们无法知道，而且这一项本来也和 $\theta$ 没关系，只能对 $log p_\theta(\tau^n)$ 计算梯度，本质上就是对 $p_\theta(a_t|s_t)$ 计算梯度。

所以最后 $R(\tau^n)\nabla log p_\theta(\tau^n)$ 改写为 $\sum_{t=1}^{T_n} R(\tau^n)\nabla log p_\theta(a_t^n|s_t^n)$ 。

最后的 $\frac{1}{N} \sum_{n=1}^N \sum_{t=1}^{T_n} R(\tau^n)\nabla log p_\theta(a_t^n|s_t^n)$ ：若在 $s_t^n$ 下执行 $a_t^n$ 使得 $R(\tau^n)$ 为正，则增加概率 $p_\theta(a_t|s_t)$ ；为负则减少概率。

在实际实验中，我们会让actor去和environment做互动，产生左边的数据。左边的方框是做sample，获得很多 (s, a) 的pair（代表在s下采取a，得到 $R(\tau)$ ）。然后将这些数据送入训练过程中计算 $\nabla log p_\theta(a_t^n|s_t^n)$ 。然后更新模型的参数 $\theta$ 。

注意数据只用一次,就是说更新一次参数后前面收集的所有数据就不能再用了，效率比较低。因为policy gradient ascend是on-policy的算法，具体说明可以看我的另一篇文章，前半段有讲on-policy和off-policy（https://blog.csdn.net/ACL_lihan/article/details/103989581）。

以下是policy gradient的两个小技巧：

技巧1：add a baseline

蓝色柱子的代表在某一state下，采取三种动作的概率 $p_\theta(a_t|s_t)$ ，绿色箭头则代表每种动作的Reward，长的标示Reward比较大。

之前约定的做法：假如执行 action a 后 R 为正，则提高 action a 出现的概率；R 为负，则降低 action a 出现的概率。

但是可能某个游戏不管什么执行动作得到的 reward 都是正的（比如0-20），则若执行 action a 后 R 的增加量大，则 action a 出现概率增加得大；执行 action b 后R的增加量小，则 action b 出现概率增加得小。（注意在reward恒为正的情况下，看起来无论如何执行某 action 的概率都会增加，只是增加多少的问题） 因为所有action出现的概率和为1，那么在理想情况下，在归一化后相当于 action a 出现概率上升而 action b 出现概率下降。（即增加得少的归一化后相当于下降，增加得多的归一化后才上升）

问题是在sample中可能有些动作没有sample到，比如 action a（我们不知道这个action得到的reward是大是小），但归一化后 action a 出现的概率会必然下降（因为 action b/c 出现的概率无论如何都会上升，这样就把 action a 出现的概率给压下去了），这显然是不妥的。

为了解决这个问题，我们希望reward不要总是正的，将所以 $R(\tau^n)-b$ ，b是一个baseline，这样如果一个 reward 是一个很小的正值，减掉b后就会变负。 $b \approx E[R(\tau)]$ 可以用 $R(\tau)$ 的平均值代替。

技巧2：assign suitable credit

由上图可知，在同一场游戏中，不管其中的某个 action 是好是坏，总会乘上相同的权重 R，这显然也是不公平的。

比如上图左边部分，整场游戏的 reward 是+3，按规定其中三个 $\nabla log p_\theta(a_t^n|s_t^n)$ 都要被乘上 3 的权重，但是 $a_3$ 未必见得好，因为执行 $a_3$ 后的即时得分是 -2。如果我们sample的次数够多，可能会看出 $a_3$ 不够好，这个问题能够得到解决。但是实际中可能没办法搜集足够多的数据，所以在sample次数不够多的情况下，我们希望每个action的权重不同。

解决的方法是，不把整场游戏的 R（+5+0+-2=+3）作为统一权重，而将执行该动作后剩下序列的【reward之和】作为该动作的权重。比如对于 $(s_b,a_2)$ ，它的权重应该为（+0-2=-2）。即执行某个 action 前得到多少 reward 都跟该 action 无关，该 action 只影响之后的游戏过程。

所以把权重中的 $R(\tau^n)$ 换成 $\sum_{t'=t}^{T_n}r_{t'}^n$ ，其中 t 代表该 action 执行的时刻， $T_n$ 代表游戏结束的时刻，即把当前的 r 以及之后每一步的 r 做一个求和。

还需要考虑的一点是，当前的 action 对之后游戏的影响会随之时间推移而减弱，所以我们要有 discount，在求和的每一步都乘上一个小于1的 $\gamma$ （比如0.9），这样 action 之后的动作越多，即时分数乘上的 $\gamma$ 越多，越往后得到reward就会打上更大的折扣。

把 $R(\tau^n)-b$ 这一项称作Advantage Function，也叫优势函数。它表示在actor在 $s_t$ 下采取 $a_t$ ，相较于其它action（同样对于 $s_t$ ）有多好。

上标 $\theta$ 代表采用参数为 $\theta$ 的policy 的 actor 。

最后总结：

1、介绍了actor、environment、reward function

2、在深度强化学习中，policy可以看成是参数为 $\theta$ 的网络，输入state，输出采取各种action的概率

3、一轮游戏叫做episode

4、trajectory={s1,a1,s2,a2,……}，在给定policy的参数 $\theta$ 的情况下，可以计算每一个 $\tau$ 存在的概率 $p_\theta(\tau)$ 。

5、总的expected reward= $\sum_\tau{R(\tau)p_\theta(\tau)}$

6、使用policy gradient ascend求 expected reward的最大值

7、采集一次数据，更新一次参数后，要重新采集一次数据。

薛定谔的炼丹炉！

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
【李宏毅深度强化学习笔记】—1、策略梯度方法（Policy Gradient）

1、介绍了actor、environment、reward function2、在深度强化学习中，policy可以看成是参数为的网络，输入state，输出采取各种action的概率3、一轮游戏叫做episode4、trajectory={s1,a1,s2,a2,……}，在给定policy的参数的情况下，可以计算每一个存在的概率。5、总的expected reward=6、使用policy gradient ascend求 expected reward的最大值。
复制链接

扫一扫