Policy gradient a REINFORCE

Deep Reinforcement Learning v Pythonu

Timothée Carayol

Principal Machine Learning Engineer, Komment

Rozdíly oproti DQN

REINFORCE: Monte Carlo, nikoli Temporal Difference
- Aktualizace na konci epizody, nikoli v každém kroku
- Lze aktualizovat i po více epizodách
Bez hodnotové funkce
Bez cílové sítě
Bez epsilon-greedy strategie
Bez přehrávání zkušeností

Obrázky znázorňující: akční hodnotovou funkci Q, přehrávání zkušeností, epsilon-greedy strategii a fixní Q-targety, naskládané na sebe a přeškrtnuté

Struktura trénovací smyčky REINFORCE

for episode in range(num_episodes):

  # 1. Initialize episode

  while not done:

    # 2. Select action

    # 3. Play action and obtain next state and reward

    # 4. Add (discounted) reward to return

    # 5. Update state

  # 6. Calculate loss

  # 7. Update policy network by gradient descent

Výběr akce

from torch.distributions import Categorical

def select_action(policy_network, state):
  action_probs = policy_network(state)

  action_dist = Categorical(action_probs)

  action = action_dist.sample()

  log_prob = action_dist.log_prob(action)

  return action.item(), log_prob.reshape(1)


action, log_prob = select_action(
                       policy_network, state)

Získání pravděpodobností ze sítě
Výběr jedné akce
Vrácení akce a odpovídajících logaritmů pravděpodobností

Sampled action index: 1
Log probability of sampled action: -1.38

Výpočet ztrátové funkce

Připomeňme větu o policy gradientu:

Věta o policy gradientu: gradient J(pi_theta) vzhledem k theta se rovná střední hodnotě přes trajektorie tau sledující pi_theta, tj. výnosu epizody násobenému součtem gradientů logaritmů pravděpodobností akcí přes všechny akce v trajektorii.

Ztrátová funkce REINFORCE pro epizodu: L(theta) se rovná minus výnosu epizody krát součet logaritmů pravděpodobností akcí.

V Pythonu:

$R_{\tau}$ jako episode_return
Vektor $\log\pi_\theta(a_t|s_t)$ jako episode_log_probs

loss = -episode_return * episode_log_probs.sum()

Trénovací smyčka REINFORCE

for episode in range(50):
  state, info = env.reset(); done = False; step = 0;
  episode_log_probs = torch.tensor([])

  R = 0

  while not done:
    step += 1
    action, log_prob = select_action(policy_network, state)

    next_state, reward, terminated, truncated, _ = env.step(action)
    done = terminated or truncated

    R += (gamma ** step) * reward

    episode_log_probs = torch.cat((episode_log_probs, log_prob))

    state = next_state

  loss = - R * episode_log_probs.sum()

  optimizer.zero_grad(); loss.backward(); optimizer.step()

Pojďme si procvičit!

Deep Reinforcement Learning v Pythonu