强化学习学习笔记-李宏毅

Policy Gradient

• actor+env+reward function，env和reward是不能控制的，唯一可以变的是actor，Policy $\pi$是一个网络，参数为$\theta$，输入是当前的观察，输出是采取的行为，例如游戏中输入的是游戏画面$s_1$，输出的是采取的操作$a_1$，有了决定的action $a_1$之后会获取对应的reward $r_1$，并且画面也会有对应的改变得到$s_2$，这个过程不断进行得到一个trajectory τ = { s 1 , a 1 , s 2 , a 2 , ⋯   , s T , a T } \tau = \{s_1,a_1,s_2,a_2,\cdots,s_T,a_T\} τ={s1​,a1​,s2​,a2​,⋯,sT​,aT​}，假设网络参数固定，那么某条trajectory的几率是$p_{\theta }(\tau )=p(s_1)p_{\theta }(a_1|s_1)p(s_2|s_1,a_1)p_{\theta }(a_2|s_2)\cdots =p(s_1){\prod }_{t=1}^T{p}_{\theta }(a_t|s_t)p(s_{t+1}|s_t,a_t)$，某一条trajectory得到的reward $R(\tau )={\sum }_{t=1}^T{r}_t$，目标就是调整网络参数，使得reward的期望值大${\overline{R}}_{\theta }={\sum }_{\tau }R(\tau )p_{\theta }(\tau )$，如何优化$\theta$呢，梯度下降$\nabla \overline{(}R{)}_{\theta }={\sum }_{\tau }R(\tau )\nabla p_{\theta }(\tau )={\sum }_{\tau }R(\tau )p_{\theta }(\tau )\frac{\nabla p_{\theta }(\tau )}{p_{\theta }(\tau )}={\sum }_{\tau }R(\tau )p_{\theta }(\tau )\nabla \log p_{\theta }(\tau )=E_{\tau \sim p_{\theta }(\tau )}[R(\tau )\nabla \log p_{\theta }(\tau )]=\frac{1}{N}{\sum }_{n=1}^{N}R({\tau }^n)\nabla \log p_{\theta }({\tau }^n)=\frac{1}{N}{\sum }_{n=1}^N{\sum }_{t=1}^{T_n}R({\tau }^n)\nabla \log p_{\theta }(a_t^n|s_t^n)$，更新参数$\theta \leftarrow \theta +\eta \nabla {\overline{R}}_{\theta }$，训练数据的获得，根据当前的网络，去玩游戏获取不同的trajectory，记录$s_i^t,a_i^t,r_i$的数据对，计算梯度，更新参数，之后再次sample trajectory；
• 本质上可以看做一个分类问题，网络希望输入$s_i^t$输出$a_i^t$使得reward $r_i$最大，其中$r_i$是针对整场游戏而言的，所以可以看做以reward为权重的log likelihood，希望加权的likelihood越大越好，以此提升输入$s_i^t$得到reward大的时候对应的$a_i^t$的几率，对应的就是分类的时候提升正确类别对应的几率；
• 由于训练的时候是sample，所以假设所有的reward都为正的时候可能会存在问题，所以reward整体都减去一个常量，可以取作reward的期望；
• 现在reward是trajectory粒度的，但是一条trajectory里面可能并不是所有的action都是好的，所以需要为不同的步骤分配不同的credit，此时变为$R({\tau }^n)\to {\sum }_{t^{\prime }=t}^{T_n}{r}_{t^{\prime }}^n\to {\sum }_{t^{\prime }=t}^{T_n}{\gamma }^{t^{\prime }-t}{r}_{t^{\prime }}^n（随时间指数）$，减去bias之后记作$A^{\theta }(s_t,a_t)$；

Proximal Policy Optimization

• On-policy：参与学习的agent和与环境互动的agent是同一个，上面的就是on-policy的做法，存在的问题就是更新了参数之后，之前sample出来的数据就不能再次使用了；
• Off-policy：参与学习的agent和与环境互动的agent不是同一个，希望使用sample出来的数据多次，使用从${\pi }_{{\theta }^{\prime }}$中sample出来的数据来训练${\pi }_{\theta }$，其中${\theta }^{\prime }$是固定的；
• importance sampling：$E_{x\sim p}[f(x)]=\frac{1}{N}{\sum }_{i=1}^{N}f(x^i)$，但是我们现在不能从$p$ sample数据，只能从$q(x)$ sample数据，所以换成$E_{x\sim p}[f(x)]=\int f(x)p(x)dx=\int f(x)\frac{p(x)}{q(x)}q(x)dx=E_{x\sim q}[f(x)\frac{p(x)}{q(x)}]$，也就是做了一个修正，乘上了$\frac{p(x)}{q(x)}$，也就是importance weight，但是importance sampling有一个问题就是$p$和$q$不能差太多；
• 对应的梯度$\nabla {\overline{R}}_{\theta }=E_{\tau \sim p_{{\theta }^{\prime }}(\tau )}[\frac{p_{\theta }(\tau )}{p_{{\theta }^{\prime }}(\tau )}R(\tau )\nabla \log p_{\theta }(\tau )]=E_{(s_t,a_t)\sim {\pi }_{{\theta }^{\prime }}}[\frac{P_{\theta }(s_t,a_t)}{P_{{\theta }^{\prime }}(s_t,a_t)}{A}^{{\theta }^{\prime }}(s_t,a_t)\nabla \log p_{\theta }(a_t^n|s_t^n)]=E_{(s_t,a_t)\sim {\pi }_{{\theta }^{\prime }}}[\frac{P_{\theta }(a_t|s_t)}{P_{{\theta }^{\prime }}(a_t|s_t)}\frac{p_{\theta }(s_t)}{p_{{\theta }^{\prime }}(s_t)}{A}^{{\theta }^{\prime }}(s_t,a_t)\nabla \log p_{\theta }(a_t^n|s_t^n)]=E_{(s_t,a_t)\sim {\pi }_{{\theta }^{\prime }}}[\frac{P_{\theta }(a_t|s_t)}{P_{{\theta }^{\prime }}(a_t|s_t)}{A}^{{\theta }^{\prime }}(s_t,a_t)\nabla \log p_{\theta }(a_t^n|s_t^n)]$，根据$\nabla f(x)=f(x)\nabla \log f(x)$反推出原优化目标为$J^{{\theta }^{\prime }}(\theta )=E_{(s_t,a_t)\sim {\pi }_{{\theta }^{\prime }}}[\frac{P_{\theta }(a_t|s_t)}{P_{{\theta }^{\prime }}(a_t|s_t)}{A}^{{\theta }^{\prime }}(s_t,a_t)]$；
• PPO就是加了一项使得$p_{\theta }$和$p_{{\theta }^{\prime }}$之间不能差太多，$J_{PPO}^{{\theta }^{\prime }}(\theta )=J^{{\theta }^{\prime }}(\theta )-\beta KL(\theta ,{\theta }^{\prime })$，其中$\beta$动态调整，如果$KL(\theta ,{\theta }^{\prime })>K{L}_{max}$增大$beta$，如果$KL(\theta ,{\theta }^{\prime })<K{L}_{min}$减小$beta$；

ref
https://www.youtube.com/watch?v=OAKAZhFmYoI&ab_channel=Hung-yiLee