李宏毅老师2020年深度学习系列讲座笔记4

瞎看吧。。。。至少做个笔记

https://www.bilibili.com/video/BV1UE411G78S?from=search&

 

终于讲到PPO了哈哈哈哈超搞笑超好玩的

首先给出基本要素啦，依旧是我们熟悉的actor、environment、reward function

和policy~

接下来就是讲了流程啦，观察到s_1→做出a_1→得到r_1→观察到新的s_2→……

一般来说~s_2和s_1、a_1都有关，而且一般来说是一个distribution而不是一个确定的值（打游戏并不是你看到这个页面做一个行动的结果是给定的，那样也太无聊啦！）

而且reward也不是一定的~因此我们针对这个问题，计算的不是一个reward而是reward的期望！（很多个trajectory的均值）

具体方法（公式推导在第二次笔记里说过了）

实作思路（复习啦)

用到的作为对照的都是sampling的结果

tips:1.baseline：因为reward是非负的 可能给不太好的action增大probability都会导致reward增加，因此通过add一个baseline只加比baseline大的，小的（由于乘上一个负数）概率会减小

2.可能有“败方MVP”现象：虽然有的总reward不好但是单步action好；有的虽然reward高但是有不好的action。

解决思路：因为每一条路上各个action如果都用（R（\tao^n)-b）一样的权重的话会造成平均但是不公平，因此我们用这一步之后所有的reward而不是整条trajectory的reward作为权重

还要乘上一个discount factor（\gamma）

1.本身离这action越远和action的关系越小

2.人们更希望得到奖励的时间尽量及时