模仿学习笔记：生成判别模仿学习 Generative Adversarial Imitation Learning, GAIL

1 GAN （回顾）

GAIL 的设计基于生成判别网络 ( GAN)。这里简单地回顾一下GAN，详细的可见 NTU 课程笔记 7454 GAN_UQI-LIUWJ的博客-CSDN博客

GAN由生成器 (Generator) 和判别器 (Discriminator)组成，它们 各是一个神经网络。

——>生成器负责生成假的样本

——>判别器负责判定一个样本是真是假。

我们的目标是希望生成器生成的内容可以“以假乱真”

1.1 生成器

        生成器 记作 a = G ( s ; θ ) ，其中 θ 是参数。它的输入是向量 s ，向量的每一个元素从均匀分布或标准正态分布 N (0 , 1) 中抽取。生成器的输出是数据（比如图片）x。

 

1.2 判别器

判别器 记作，其中 ϕ 是参数。

它的输入是图片 x；输出 是介于 0 到 1 之间的概率值，0 表示“假的”， 1 表示“真的”。

判别器的功能是二分类器。

1.3 训练生成器

        将生成器与判别器相连，固定住判别器的参数，只更新生成器的参数 θ，使得生成的图片 x = G(s; θ) 在判别器的眼里更像真的。

        对于任意一个随机生成的向量 s，应该改变 θ，使得判别器的输出尽量接近 1

        可以用如下函数作为loss function：

 

         我们希望此时D(x;Φ)越大越好，也就是E(s;θ)越小越好

        所以我们用梯度下降来更新生成器的θ

1.4 训练判别器

•  判别器的本质是个二分类器，它的输出值 表示对图片真伪的预测；
  •  接近 1 表示“真”，
  • 接近 0 表示“假”。

判别器的训练如下图所示。

• 从真实数据集中抽取一个样本，记作。
• 再随机生成一个向量 s，用生成器生成
• 训练判别器的目标是改进参数 ϕ，让 更接近 1（真），让更接近 0 （假）。
• ——>也就是说让判别器的分类结果更准确，更好区分真实图片和生成的假图片。

此时的损失函数如下所示

 不难发现，判别器越准确，损失函数F越小

所以我们也用梯度下降更新判别器的θ

 

 1.5 整体训练流程

• 
• 
• 
• 
• 

 

 2 生成判别模仿学习 Generative Adversarial Imitation Learning, GAIL

2.1 训练数据

GAIL 的训练数据是被模仿的对象（人类专家）操作智能体得到的轨迹

 

数据集中有 k 条轨迹，把数据集记作：

 

 2.2 生成器

GAIL 的生成器是策略网络 π ( a | s ; θ )

策略网络的输入是状态 s，输出是一个向量：

 

输出向量 f 的维度是动作空间的大小 A ，它的每个元素对应一个动作，表示执行该动作

的概率。

给定初始状态 s 1 ，并让智能体与环境交互，可以得到一条轨迹：

 

 其中动作是根据策略网络抽样得到的, 

 下一时刻的状态是环境根据状态转移函数计算出来的

 

 2.3 判别器

GAIL 的判别器记作 D ( s, a ; ϕ )

判别器的输入是状态 s，输出是一个向量：

 

输出向量 的维度是动作空间的大小 A ，它的每个元素对应一个动作 a ，把一个元素记作：

 

接近 1 表示 ( s, a ) 为“真”，即动作 a 是人类专家做的。

接近 0 表示 ( s, a ) 为“假”，即动作 a 是策略网络生成的。

 2.4 GAIL的训练

2.4.1 训练生成器

设是当前策略网络的参数。用策略网络控制智能体与环境交互，得到一条轨迹：

用判别器评价 的真实情况， 越大，说明 在判别器的眼里越真实。

我们记第t步的回报为：

 

于是我们的轨迹可以变成

 

 有不同的方法来更新策略网络的参数θ

在GAIL中，使用的是TRPO

 强化学习笔记：置信域策略优化 TRPO_UQI-LIUWJ的博客-CSDN博客

即目标函数为

通过解带约束的最大化问题，得到新的参数

 

 2.4.2 训练判别器

训练判别器的目的是让它能区分真的轨迹与生成的轨迹

我们从训练数据中抽样一条轨迹：

同时用策略网络控制智能体和环境交互，得到另一条轨迹，记作

 注意real和fake轨迹的长度可能不一样

同样地，我们希望尽量趋近于1，尽量趋近于0

于是我们定义损失函数

 我们希望损失函数尽量小，也就是说判别器能区分开真假轨迹。可以做梯度下降来更新判别器的参数Φ

 

2.4.3 整体训练流程

每一轮训练更新一个生成器，更新一次判别器。训练重复以下步骤，直 到收敛。