作为一个新手,写这个强化学习-基础知识专栏是想和大家分享一下自己学习强化学习的学习历程,希望对大家能有所帮助。这个系列后面会不断更新,希望自己在2021年能保证平均每日一更的更新速度,主要是介绍强化学习的基础知识,后面也会更新强化学习的论文阅读专栏。本来是想每一篇多更新一点内容的,后面发现大家上CSDN主要是来提问的,就把很多拆分开来了(而且这样每天任务量也小一点哈哈哈哈偷懒大法)。但是我还是希望知识点能成系统,所以我在目录里面都好按章节系统地写的,而且在github上写成了书籍的形式,如果大家觉得有帮助,希望从头看的话欢迎关注我的github啊,谢谢大家!另外我还会分享深度学习-基础知识专栏以及深度学习-论文阅读专栏,很早以前就和小伙伴们花了很多精力写的,如果有对深度学习感兴趣的小伙伴也欢迎大家关注啊。大家一起互相学习啊!可能会有很多错漏,希望大家批评指正!不要高估一年的努力,也不要低估十年的积累,与君共勉!
Problems in Policy Gradient
到这里为止, policy gradient中一直存在两个比较重要的问题。
第一个问题是sample efficiency的问题:由于算法是on-policy的,每次进行完梯度上升后都将数据丢弃。而我们引入了importance sampling进行off-policy的policy gradient, 这样存在的问题则是稳定性降低了,推导式中存在两个 policy连乘的比值, 比较容易出现消失或者爆炸的现象:
∇
θ
′
J
(
θ
′
)
=
E
τ
∼
π
θ
(
τ
)
[
π
θ
′
(
τ
)
π
θ
(
τ
)
∇
θ
′
log
π
θ
′
(
τ
)
r
(
τ
)
]
when
θ
≠
θ
′
=
E
τ
∼
π
θ
(
τ
)
[
(
∏
t
=
1
T
π
θ
′
(
a
t
∣
s
t
)
π
θ
(
a
t
∣
s
t
)
)
(
∑
t
=
1
T
∇
θ
′
log
π
θ
′
(
a
t
∣
s
t
)
)
(
∑
t
=
1
T
r
(
s
t
,
a
t
)
)
]
\begin{aligned} \nabla_{\theta^{\prime}} J\left(\theta^{\prime}\right) &=E_{\tau \sim \pi_{\theta}(\tau)}\left[\frac{\pi_{\theta^{\prime}}(\tau)}{\pi_{\theta}(\tau)} \nabla_{\theta^{\prime}} \log \pi_{\theta^{\prime}}(\tau) r(\tau)\right] \quad \text { when } \theta \neq \theta^{\prime} \\ &=E_{\tau \sim \pi_{\theta}(\tau)}\left[\left(\prod_{t=1}^{T} \frac{\pi_{\theta^{\prime}}\left(\mathbf{a}_{t} \mid \mathbf{s}_{t}\right)}{\pi_{\theta}\left(\mathbf{a}_{t} \mid \mathbf{s}_{t}\right)}\right)\left(\sum_{t=1}^{T} \nabla_{\theta^{\prime}} \log \pi_{\theta^{\prime}}\left(\mathbf{a}_{t} \mid \mathbf{s}_{t}\right)\right)\left(\sum_{t=1}^{T} r\left(\mathbf{s}_{t}, \mathbf{a}_{t}\right)\right)\right] \end{aligned}
∇θ′J(θ′)=Eτ∼πθ(τ)[πθ(τ)πθ′(τ)∇θ′logπθ′(τ)r(τ)] when θ=θ′=Eτ∼πθ(τ)[(t=1∏Tπθ(at∣st)πθ′(at∣st))(t=1∑T∇θ′logπθ′(at∣st))(t=1∑Tr(st,at))]
后续将从理论层面讨论两个policy之前差异带来的影响。
第二个问题则是来自gradient ascent, 由于策略优化是在parameter space上做的更新, 但是其实 parameter space并不等价于policy space, 可以看到如下的一个例子:
参数空间上一个小的变化在策略(动作空间)上带来了巨大的差异。
上面两个问题, 也就给算法提出了更多的要求:
- 如何在引入importance sampling的情况下尽可能避免policy差异过大的问题。
- 如何在保证policy不发生突变的情况下进行参数的更新。
上一篇:强化学习的学习之路(四十)_2021-02-09: Actor Critic -Critics as baselines
下一篇:强化学习的学习之路(四十二)2021-02-11 Issues of Importance Sampling