深度强化学习2：Proximal Policy Optimization算法(PPO)

【李宏毅深度强化学习笔记】2、Proximal Policy Optimization算法(PPO)

qqqeeevvv 2020-01-15 15:00:01 6525 收藏 12

分类专栏： # 理论知识 强化学习

最后发布:2020-01-15 15:00:01首发:2020-01-15 15:00:01

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/ACL_lihan/article/details/103989581

版权

【李宏毅深度强化学习笔记】1、策略梯度方法（Policy Gradient）

【李宏毅深度强化学习笔记】2、Proximal Policy Optimization (PPO) 算法（本文）

【李宏毅深度强化学习笔记】3、Q-learning（Basic Idea）

【李宏毅深度强化学习笔记】4、Q-learning更高阶的算法

【李宏毅深度强化学习笔记】5、Q-learning用于连续动作 (NAF算法)

【李宏毅深度强化学习笔记】6、Actor-Critic、A2C、A3C、Pathwise Derivative Policy Gradient

【李宏毅深度强化学习笔记】7、Sparse Reward

【李宏毅深度强化学习笔记】8、Imitation Learning

-------------------------------------------------------------------------------------------------------

【李宏毅深度强化学习】视频地址：https://www.bilibili.com/video/av63546968?p=2

课件地址：http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.html

-------------------------------------------------------------------------------------------------------

 

 

讲PPO前先铺垫一下On-policy和Off-policy的一点知识

所谓 on-policy （左图）指我们学习的 agent（即actor） 和与环境交互的 agent 是相同的，即 agent 一边和环境互动，一边学习；

而 off-policy （右图）指我们学习的 agent 与环境交互的 agent 是不同的，即 agent 通过看别人玩游戏来学习。

on-policy的过程是这样的：

1、使用actor  去收集数据，用这些数据来进行参数的更新，此时参数变为。

2、由于参数变为，原本actor 收集的数据就不能用了，所以要重新收集数据

3、再根据actor 收集的数据，将参数变为。

一直这样循环下去…………

On-policy的不足：

从上面的过程可以看出，更新后的actor  的参数变为，原来的数据就不能用了。就是说每更新一次参数就需要重新去收集数据，这样更新的效率很低，很花时间。

目标：

用  去收集数据，用这些数据去训练  。这样就可以更新参数很多次而只用同一批数据，这就是off-policy。

 

那怎么做呢？

 

Importance sampling

代表从分布p中取样本x送入并求期望，类似于从p中取N个，然后代入求平均，即

现在假设我们不能从分布 p 中 sample 数据，只能从分布 q 中 sample，这样不能直接套上述近似。而要用：

即从p分布sample数据变为从q分布sample数据，只需在后面乘上一个weight，即

Importance Sampling 存在的问题：

通过上述公式看出，即便两者期望值一样，但是他们的方差（variance）不同，两式的区别在于红框那里多了一项。

这幅图具体说明了上述问题：蓝线代表 p的分布，绿线代表 q 分布，红线代表函数，现在我们要从 p、q 分布中 sample 出 x ，投到中计算。

可以看出 p、q 分布对于的计算而言差别是很大的。如果sample次数不够多，会造成只sample到每一种分布中，数量比较多的那些样本，比如从p中sample，会容易sample到使小于0的x；从q中sample，会容易sample到使大于0的x。

 

上面是sample次数不够多的情况，下面是sample次数足够的情况

可以看到，sample次数够多的时候，可能就能sample到左边的点，在这里可以人为给它设定一个很大的weight。

这样sample到左边绿线那个点的时候，会得到一个很大的值，这样就会将原本应该是正的拉回负的。

但这个前提是sample足够多次。如果sample次数不够多，就会造成有很大的差别，这就是importance sampling的不足。

 

回到一开始，讲了importance sampling后，我们知道如何由θ变为θ’。只需将变成

，这样就能用actor收集数据，给actor去训练了。

使用 off-policy，使用梯度做参数更新时要注意的点：

1、是总计的Reward减掉bias，即  ，就是衡量在状态st下采取动作at的回报。是根据 sample 到的数据计算。

2、因为是与环境做互动，所以要变为

3、这里我们估计，因为猜测 state 的出现与θ关系不大，况且这一项本来就无法计算，因为state出现的概率我们是不能控制或估计的。

4、可以直接算，

由此可以得到新的目标函数

上标代表跟环境互动的，是要更新的参数。

 

PPO / TRPO 算法：

进入主题

上面讲了和相差太多，会导致结果错误。那么为了防止和相差太多，就可以使用PPO算法。

在原来的目标函数后再加一项约束值  ，这个约束就像深度学习中的正则化项。

这一项和衡量和的差距，这里的差距指的是actor行为上的差距而不是参数上的差距。

下面这个是TRPO算法：

TRPO和PPO的区别：

TRPO在作梯度上升的时候，只对求梯度上升，而只作为一个额外的约束，很难计算。

而PPO的是放到式子中减去的一项，这样作梯度上升的时候就是将一整个式子（和）一起算，比较容易算。

所以，为了方便使用，而且两者性能差不多，就直接使用PPO吧

那要设多少呢？

PPO中 和学习率有点类似，需要手动设置。我们可以设定两个阈值  和  。经过一次参数更新后，查看KL的值，如果 大于  ，说明    相差太大，需要加大 ，加大惩罚。反之则减小 ，减小惩罚。

 

上面讲的是PPO，下面要讲的是PPO2。

min(a,b)函数就是取a和b中的最小值。

clip()函数的意思是：  小于 ，则取 ；若  大于  则取  ；若介于两者之间，则取  ，即输入等于输出。

上面为clip()函数的图像，横轴指的就是。

总的图像：

绿线代表min()函数的第一项的图像，蓝线代表min()函数的第二项的图像，红线代表最终min()函数的输出结果。

若A>0，则取下图左边红线部分，若A<0则取下图右边红色部分。

这个式子其实就是让  和  不要差距太大。如果A（advantage function）>0，代表当前的action是好的，所以我们希望  越大越好（即横轴代表的  增大），但是  和  二者不能相差太多，所以设了一个上界  （上图左边）；A<0，则说明当前的action不好，所以希望  越小越好（即横轴代表的  减小），但同样要设一个下界  。

最后再放一下PPO和PPO2的对比：

 

 

这里有人纠结怎么一开始写的PPO是取期望，而这里的PPO和PPO2怎么变成是累加的？

 

TRPO / PPO2 等方法的实验效果：

这边可能不清晰，可以看论文原文（https://arxiv.org/abs/1707.06347）

简单说一下，PPO（Clip）是紫色的线，可以看到每个任务中的效果都是名列前茅。

 

总结

1、介绍了on-policy和off-policy的概念，和on-policy不足

2、为了实现 用  去收集数据，用这些数据去训练  （即off-policy），使用Importance sampling方法

3、在Importance sampling方法中要求和不要相差太多，否则会导致结果错误。进而引出PPO算法

4、介绍了PPO和TRPO和PPO2