在上篇文章强化学习——Policy Gradient 公式推导我们推导出了 Policy Gradient:
其中的 表示第 i 条轨迹所有的奖励之和。
对于这个式子,我们是基于 MC 采样的方法得来的。对于MC采样的轨迹是没有偏差的。但是因为是采样,所以每条轨迹获得的奖励非常不稳定,造成有比较高的方差。为了减少方差,这里有两个办法:1、使用时间因果关系(Use temporal causality)。2、引入 Baseline
一、减小方差
1、使用时序因果关系
使用使用时序因果关系可以减少许多不必要的项
对于一条轨迹中的某一点获得的奖励 可以表示为:
然后把一条轨迹上所有的点的导数加起来:
其中 表示对于一条轨迹第 t 步往后获得的奖励之和。
如果上面式子难以理解,我们可以这样理解:我们都知道当前时刻不能影响过去所已经发生的事,这就是时间因果关系。同样,对于一条轨迹上,在时刻 时的策略不能影响 时刻之前所获得的奖励。所以只需要 对 之后所有的奖励加起来即可,和 时刻之前所获得的奖励是无关的。因此 Policy Gradient Estimator 可以表示为如下形式:
由上面的操作我们就得到了 Policy Gradient 中一个非常经典的算法 REINFORCE :
Williams (1992). Simple statistical gradient-following algorithms for connectionist reinforcement learning: introduces REINFORCE algorithm
2、加入 Baseline
对于一条采样出来的轨迹,它的的奖励 会有很高的方差,我们可以让 减去一个值(Baseline),这样就能减小方差,对于加入 Baseline 可以很容易的证明,会减小方差而不会改变整体的期望值,这样就会使得训练过程更加稳定。
一种办法是把奖励的期望作为Baseline,也就是让 减去它的平均值:
对于 Baseline 也可以用参数 来拟合,表示为 ,在优化过程中同时优化参数 和 。
二、REINFORCE 算法
实例代码使用CartPole-v1
离散环境,首先我们来看算法的整体流程。
1、整体流程
首先我们搭建好 policy 网络模型,初始化 参数 ,然后用这个模型采样搜集数据,然后利用搜集到的数据来更新网络参数 ,之后我们就有个一个新的策略网络,然后再用新的策略网络去和环境交互搜集新的数据,去更新策略网络,就这样重复下去,直到训练出一个良好的模型。注意每次搜集的数据只能使用一次,就要丢弃,因为每次更新 后策略网络就会改变,所以不能用旧的网络采集到的数据去跟新新的网络参数。
具体流程如下所示,在 与环境交互的过程中我们存储了每一步的相关数据,用以计算 奖励。
for episode in range(TRAIN_EPISODES):
state = env.reset()
episode_reward = 0
for step in range(MAX_STEPS): # in one episode
if RENDER: env.render()
action = agent.get_action(state)
next_state, reward, done, _ = env.step(action)
agent.store_transition(state, action, reward)
state = next_state
episode_reward += reward
if done:break
agent.learn()
2、计算奖励
def _discount_and_norm_rewards(self):
# discount episode rewards
discounted_reward_buffer = np.zeros_like(self.reward_buffer)
running_add = 0
for t in reversed(range(0, len(self.reward_buffer))):
running_add = running_add * self.gamma + self.reward_buffer[t]
discounted_reward_buffer[t] = running_add
# normalize episode rewards
discounted_reward_buffer -= np.mean(discounted_reward_buffer)
discounted_reward_buffer /= np.std(discounted_reward_buffer)
return discounted_reward_buffer
函数分为两部分,一部分计算G值,一部分把G值进行归一化处理。这里计算的discounted_reward_buffer
是每一步动作直到episode结束能获的奖励,也就是公式中的 。注意这里是从最后一个状态逆序 往前算,然后把每一步的奖励添加到列表中。然后对计算得到的奖励列表数据进行归一化,训练效果会更好。
3、梯度更新
我们知道,每次搜集到数据去 更新网络参数 ,那么网络参数是如何更新的呢?
我们可以把它看做监督学习分类的过程,如下图所示,对于环境输入到 策略网络,最终网络输出为三个动作:左、右、开火。右边是 label。loss 函数就是输出动作与label之间的交叉熵,最小化的目标就是其交叉熵,然后跟新网络参数,增加哪个动作出现的概率或者减少哪个动作出现的概率。
我们搜集到的每一步数据 state, action
,可以把 state
看做训练的数据,把 action
看做 label。然后最小化其交叉熵,如下代码 所示。在 REINFORCE 算法中,算出的交叉熵还要乘上 也就是 代码中的 discounted_reward
,也就是说 参数的更新根据 来调整的, 如果 比较高,那么就会大幅度增加相应动作出现概率,如果某一个动作得到的 是负数,那么就会相应的减少动作出现概率,这就是带权重的梯度下降。对于这个过程,tensorlayer
内置了一个函数 cross_entropy_reward_loss
,可以直接实现上述过程,见代码注释部分。
def learn(self):
discounted_reward = self._discount_and_norm_rewards()
with tf.GradientTape() as tape:
_logits = self.model(np.vstack(self.state_buffer))
neg_log_prob = tf.nn.sparse_softmax_cross_entropy_with_logits(
logits=_logits, labels=np.array(self.action_buffer))
loss = tf.reduce_mean(neg_log_prob * discounted_reward)
# loss = tl.rein.cross_entropy_reward_loss(
# logits=_logits, actions=np.array(self.action_buffer), rewards=discounted_reward)
grad = tape.gradient(loss, self.model.trainable_weights)
self.optimizer.apply_gradients(zip(grad, self.model.trainable_weights))
对于这部分的理解可以直接看李宏毅老师的视频 ,讲解很清楚。关于 REINFORCE 的完整代码:REINFORCE 算法 ,希望能随手 给个 star,谢谢看官大人了。。。
三、REINFORCE 的不足
策略梯度为我们解决强化学习问题打开了一扇窗,但是我们上面的蒙特卡罗策略梯度reinforce算法却并不完美。由于使用MC采样获取数据,我们需要等到每一个episode结束才能做算法迭代,那么既然 MC 效率比较慢,那能不能用 TD 呢?当然是可以的,就是我们下篇要介绍的 Actor-Critic 算法。