强化学习笔记 experience replay 经验回放

 1 回顾 ：DQN

DQN 笔记 State-action Value Function(Q-function)_UQI-LIUWJ的博客-CSDN博客

DQN是希望通过神经网络来学习Q(s,a)的结果，我们输入一个人状态s，通过DQN可以得到各个action对应的Q(s,a)

通常用TD来求解DQN

其中rt是实际进行交互得到的真实奖励，Q(s,a),是预测得到的价值函数

(注：Q是fixed target network，所以qt和yt会稍有不同） 

在之前我们所说的DQN中，我们每次采样得到一组episode  ，然后就用这组episode来计算相应的loss，进行梯度下降更新参数 

而用这组数据训练了模型之后，这组数据就被丢弃了

2 TD算法的缺点

2.1 缺乏经验 

而事实上，经验是可以重复使用的 

2.2 correlated updates

比如玩游戏，当前画面和下一帧画面之间的区别会非常小，也就是会非常相近。实验证明把这些episode数据尽量打散，有利于训练得更好

3 经验回放

经验回放可以克服之前的两个缺点

把最近的n条记录存到一个buffer里面

如果存满了，每次存入一条新的transition，就删除当前最老的那一条transition

3.1 使用经验回放之后的TD

        这里是从buffer中随机选择一个transition，实际上是从buffer中随机选择一个batch，做mini-batch SGD 

3.2 经验回放的好处

1 打破了transition的关联性

2 经验可以重复使用

4 优先经验回放

buffer里面有多条 transition，每条的优先级各不相同

        比如以超级玛丽为例，左边是普通关卡，右边是打boss的关卡。左边常见右边不常见。由于右边的经验少，所以很难真正训练除右边的情况应该如何做决策，在这种情况下，右边的重要性更大一些。

         在priority experience replay 中，如果一条transition有更高的TD error δt，那么我们就认为他距离TD target比较大，DQN就不熟悉这个场景，所以需要给他较大的优先级。

        

        优先经验回放的思路就是用非均匀抽样代替均匀抽样，有两种抽样方法

        rank(t)是δt排序后的序号，δt越大，rank(t)越小

        抽样的时候是非均匀采样的，我们需要相应地调整学习率，以减少不同抽样概率带来的偏差

        

        如果一条transition有较大的抽样概率，那么他的学习率应当相应地小一些 （用来抵消大抽样概率带来的偏差，因为大抽样概率那么我被采样到的次数就会稍多）

        如果一条transition 刚被采集到，我们是不知道他的δt的，此时我们直接给他设置最大的优先级，也就是未被使用过的transition具有最高的优先级

        每次使用一条transition之后，我们都要重新更新他的δt

参考资料：

深度强化学习（全）_哔哩哔哩_bilibili