【/强化学习7日打卡营-世界冠军带你从零实践/课程摘要和调参心得-No.4】基于策略梯度求解RL
一、学习内容
4.基于策略梯度求解RL
4.1随机策略与策略梯度
先来复习一下之前讲的value-based和policy-based的RL方法:
Policy-based的方法可直接输出动作的概率,比较适用于随机性策略
具体来说就是在网络里面使用常见的softmax函数
为了方便大家理解,这里举个Pong游戏的例子:
策略是一个episode完了才能评估的,目的是为了让总的Reward尽可能大:
策略的状态转移轨迹可以用以下流程来表示:
轨迹发生的概率和策略的期望回报的关系如下:
对比一下DQN和PolicyGradient里面的优化过程:
策略梯度法在优化过程中,会选择loss最小的那一条轨迹
4.2PolicyGradient(策略梯度)算法
区别于DQN中的TD单步更新,经典的PG里面用的是蒙特卡洛回合(episode)制更新:
具体到代码就是从后向前计算所有reward的和。这里特别提醒下,sarsa中,reward是下一时刻的reward,和后面的sa是下标一样的。
从算法流程来看,刚才reward折算的过程就是倒数第二行:
类比监督学习来理解PolicyGradient,上面是MNIST的监督学习网络,下面是PolicyGradient中监督的过程(可以看到,多乘了一项rewardG_t作为监督项):
具体Loss的代码定义如***意-R后面少了个左括号):
4.3PG代码
PolicyGradient的REINFORCE算法整体流程如下:
可见PARL框架也是早就设计好了:)
代码文件结构如下:
CartPole例子的PG算法训练结果:
model代码:
algorithm代码
agent代码
训练代码
运行展示
4.4总结、作业、公式推导
策略梯度(PG)方法的一个总结:
PolicyGradient解决Pong问题的一个示例:
图像预处理的技巧:
reward的衰减和正则化:
PolicyGradient算法的原理推导(这里讲的非常好,很多书和材料都没有推导)。
注意2点:
1.蓝框里的是一个近似变换,使用了log函数
2.使用log函数后,状态转移概率p因为都没有对theta求导,因此可以删掉
注意最下方公式最右边有点小错误,很好理解,按马尔科夫链,应该是s2,a2,李科浇老师是直接复制过来忘改了。这里改正为: