深度强化学习-Policy Gradient基本实现


全文共2543个字,2张图,预计阅读时间15分钟


基于值的强化学习算法的基本思想是根据当前的状态,计算采取每个动作的价值,然后根据价值贪心的选择动作。如果我们省略中间的步骤,即直接根据当前的状态来选择动作,也就引出了强化学习中的另一种很重要的算法,即策略梯度(Policy Gradient)。这篇文章,我们就来介绍这种算法的最基础的版本以及其简单的实现。


本篇文章的大部分内容均学习自莫烦老师的强化学习课程,大家可以在b站上找到相关的视频:https://www.bilibili.com/video/av16921335/#page=22


什么是policy gradients


其实在引言部分我们已经介绍了策略梯度的基本思想,就是直接根据状态输出动作或者动作的概率。那么怎么输出呢,最简单的就是使用神经网络啦!


我们使用神经网络输入当前的状态,网络就可以输出我们在这个状态下采取每个动作的概率,那么网络应该如何训练来实现最终的收敛呢?


我们之前在训练神经网络时,使用最多的方法就是反向传播算法,我们需要一个误差函数,通过梯度下降来使我们的损失最小。但对于强化学习来说,我们不知道动作的正确与否,只能通过奖励值来判断这个动作的相对好坏。基于上面的想法,我们有个非常简单的想法:


如果一个动作得到的reward多,那么我们就使其出现的概率增加,如果一个动作得到的reward少,我们就使其出现的概率减小。


根据这个思想,我们构造如下的损失函数:loss= -log(prob)*vt


我们简单用白话介绍一下上面这个损失函数的合理性,那么至于从数学角度上为什么要使用上面的损失函数,可以参考:Why we consider log likelihood instead of Likelihood in Gaussian Distribution。


上式中log(prob)表示在状态 s 对所选动作 a 的吃惊度, 如果概率越小, 反向的log(prob) 反而越大. 而vt代表的是当前状态s下采取动作a所能得到的奖励,这是当前的奖励和未来奖励的贴现值的求和。也就是说,我们的策略梯度算法必须要完成一个完整的eposide才可以进行参数更新,而不是像值方法那样,每一个(s,a,r,s')都可以进行参数更新。如果在prob很小的情况下, 得到了一个大的Reward, 也就是大的vt, 那么-log(prob)*vt就更大, 表示更吃惊, (我选了一个不常选的动作, 却发现原来它能得到了一个好的 reward, 那我就得对我这次的参数进行一个大幅修改)。


这就是 -log(prob)*vt的物理意义啦.Policy Gradient的核心思想是更新参数时有两个考虑:如果这个回合选择某一动作,下一回合选择该动作的概率大一些,然后再看奖惩值,如果奖惩是正的,那么会放大这个动作的概率,如果奖惩是负的,就会减小该动作的概率。


策略梯度的过程如下图所示:

深度强化学习-Policy Gradient基本实现_第1张图片


我们在介绍代码实战之前,最后在强调Policy Gradient的一些细节:


  1. 算法输出的是动作的概率,而不是Q值。

  2. 损失函数的形式为:loss= -log(prob)*vt

  3. 需要一次完整的episode才可以进行参数的更新

policy gradients 算法实现


我们通过Policy Gradient算法来实现让钟摆倒立的过程。

深度强化学习-Policy Gradient基本实现_第2张图片

本文的代码地址在:https://github.com/princewen/tensorflow_practice/tree/master/Basic-Policy-Network


本文的代码思路完全按照policy gradient的过程展开。


定义参数
首先,我们定义了一些模型的参数:

self.ep_obs,self.ep_as,self.ep_rs分别存储了当前episode的状态,动作和奖励。


self.n_actions = n_actions
self.n_features = n_features
self.lr = learning_rate
self.gamma = reward_decay

self.ep_obs,self.ep_as,self.ep_rs = [],[],[]


定义模型输入
模型的输入包括三部分,分别是观察值,动作和奖励值。


with tf.name_scope('inputs'):
self.tf_obs = tf.placeholder(tf.float32,[None,self.n_features],name='observation')
self.tf_acts = tf.placeholder(tf.int32,[None,],name='actions_num')
self.tf_vt = tf.placeholder(tf.float32,[None,],name='actions_value')


构建模型
我们的模型定义了两层的神经网络,网络的输入是每次的观测值,而输出是该状态下采取每个动作的概率,这些概率在最后会经过一个softmax处理


layer = tf.layers.dense(
inputs = self.tf_obs,
units = 10,
activation= tf.nn.tanh,
kernel_initializer=tf.random_normal_initializer(mean=0,stddev=0.3),
bias_initializer= tf.constant_initializer(0.1),
name='fc1')

all_act = tf.layers.dense(
inputs = layer,
units = self.n_actions,
activation = None,
kernel_initializer=tf.random_normal_initializer(mean=0,stddev=0.3),
bias_initializer = tf.constant_initializer(0.1),
name='fc2')

self.all_act_prob = tf.nn.softmax(all_act,name='act_prob')


模型的损失
我们之前介绍过了,模型的损失函数计算公式为:loss= -log(prob)*vt,我们可以直接使用tf.nn.sparse_softmax_cross_entropy_with_logits 来计算前面一部分,即-log(prob),不过为了更清楚的显示我们的计算过程,我们使用了如下的方式:


with tf.name_scope('loss'):
#neg_log_prob = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=self.all_act_prob,labels =self.tf_acts) neg_log_prob = tf.reduce_sum(-tf.log(self.all_act_prob) * tf.one_hot(indices=self.tf_acts,depth=self.n_actions),axis=1) loss = tf.reduce_mean(neg_log_prob * self.tf_vt)


而我们选择AdamOptimizer优化器进行参数的更新:


with tf.name_scope('train'):
self.train_op = tf.train.AdamOptimizer(self.lr).minimize(loss)


动作选择
我们这里动作的选择不再根据贪心的策略来选择了,而是根据输出动作概率的softmax值:


def choose_action(self,observation):
prob_weights = self.sess.run(self.all_act_prob,feed_dict={self.tf_obs:observat
ion[np.newaxis,:]}) action = np.random.choice(range(prob_weights.shape[1]),p=prob_weights.ravel())
return action


存储经验
之前说过,policy gradient是在一个完整的episode结束后才开始训练的,因此,在一个episode结束前,我们要存储这个episode所有的经验,即状态,动作和奖励。


def store_transition(self,s,a,r):
self.ep_obs.append(s) self.ep_as.append(a) self.ep_rs.append(r)


计算奖励的贴现值
我们之前存储的奖励是当前状态s采取动作a获得的即时奖励,而当前状态s采取动作a所获得的真实奖励应该是即时奖励加上未来直到episode结束的奖励贴现和。


def _discount_and_norm_rewards(self):
discounted_ep_rs = np.zeros_like(self.ep_rs) running_add = 0
# reserved 返回的是列表的反序,这样就得到了贴现求和值。
for t in reversed(range(0,len(self.ep_rs))):    running_add = running_add * self.gamma + self.ep_rs[t]    discounted_ep_rs[t] = running_add discounted_ep_rs -= np.mean(discounted_ep_rs) discounted_ep_rs /= np.std(discounted_ep_rs)
return discounted_ep_rs


模型训练
在定义好上面所有的部件之后,我们就可以编写模型训练函数了,这里需要注意的是,我们喂给模型的并不是我们存储的奖励值,而是在经过上一步计算的奖励贴现和。另外,我们需要在每一次训练之后清空我们的经验池。


def learn(self):
discounted_ep_rs_norm = self._discount_and_norm_rewards()
self.sess.run(self.train_op,feed_dict={    
self.tf_obs:np.vstack(self.ep_obs),  
self.tf_acts:np.array(self.ep_as),    
self.tf_vt:discounted_ep_rs_norm, })
self.ep_obs,self.ep_as,self.ep_rs = [],[],[]
return discounted_ep_rs_norm


好了,模型相关的代码我们就介绍完了,如何调用这个模型的代码相信大家一看便明白,我们就不再介绍啦。


有关强化学习中policy gradient的更多的改进我也会进一步学习和总结,希望大家持续关注!

参考资料


1 https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/4-4-gym/


2 https://papers.nips.cc/paper/1713-policy-gradient-methods-for-reinforcement-learning-with-function-approximation.pdf


3 https://zhuanlan.zhihu.com/p/21725498


原文链接:https://mp.weixin.qq.com/s?__biz=MzI1MzY0MzE4Mg==&mid=2247483860&idx=1&sn=77cfb5401c70b830e01c0c60d0a70c91&chksm=e9d01115dea79803b130588ebfb06a7fc6e43b07d2e67150b3be0d9b89559f12df3aba79b1d5&scene=21#wechat_redirect


查阅更为简洁方便的分类文章以及最新的课程、产品信息,请移步至全新呈现的“LeadAI学院官网”:

www.leadai.org


请关注人工智能LeadAI公众号,查看更多专业文章

640?wx_fmt=jpeg

大家都在看

640.png?


LSTM模型在问答系统中的应用

基于TensorFlow的神经网络解决用户流失概览问题

最全常见算法工程师面试题目整理(一)

最全常见算法工程师面试题目整理(二)

TensorFlow从1到2 | 第三章 深度学习革命的开端:卷积神经网络

装饰器 | Python高级编程

今天不如来复习下Python基础



你可能感兴趣的:(深度强化学习-Policy Gradient基本实现)