Prioritizované přehrávání zkušeností

Deep Reinforcement Learning v Pythonu

Timothée Carayol

Principal Machine Learning Engineer, Komment

Ne všechny zkušenosti jsou stejně cenné

Přehrávání zkušeností:
- Uniformní vzorkování může přehlédnout důležité zkušenosti
Prioritizované přehrávání zkušeností:
- Každé zkušenosti je přiřazena priorita na základě TD chyb
- Důraz na zkušenosti s vysokým potenciálem učení

Studenti studují v knihovně

Prioritizované přehrávání zkušeností (PER)

for step = 1 to T do:
    # Take optimal action according to value function
    # Observe next state and reward
    # Append transition to replay buffer

      # Give it highest priority (1)

    # Sample a batch of past transitions

      # Based on priority (2)

    # Calculate TD errors for the batch

    # Calculate the loss and update the Q Network

      # Use importance sampling weights (4)

    # Update priority of sampled transitions (3)

# Increase importance sampling over time. (5)

(1) Nové přechody jsou přidány s nejvyšší prioritou $p_i = \max_k(p_k)$

(2) Přechod $i$ je vzorkován s pravděpodobností $$P(i) = p_i^{\alpha} / \sum_k p_k^{\alpha}\ \ \ \ \ \ \ \ (0<\alpha<1)$$

(3) Priorita vzorkovaných přechodů je aktualizována na jejich TD chybu: $p_i = |\delta_i| + \varepsilon$

(4) Použití vah importance sampling $$w_i = \left( \frac{1}{N} \cdot \frac{1}{P(i)} \right)^\beta\ \ \ \ \ \ \ \ (0<\beta<1)$$

(5) Postupné zvyšování $\beta$ směrem k 1

Implementace PER

def __init__(self, capacity, alpha=0.6, beta=0.4, beta_increment=0.001, epsilon=0.001):
    # Initialize memory buffer
    self.memory = deque(maxlen=capacity)

    # Store parameters and initialize priorities
    self.alpha, self.beta, self.beta_increment, self.epsilon = (alpha, beta, beta_increment, epsilon)
    self.priorities = deque(maxlen=capacity)


...

Implementace PER

...

def push(self, state, action, reward, next_state, done):
    # Append experience to memory buffer
    experience_tuple = (state, action, reward, next_state, done)
    self.memory.append(experience_tuple)

    # Set priority of new transition to maximum priority
    max_priority = max(self.priorities) if self.memory else 1.0
    self.priorities.append(max_priority)


...

Implementace PER

def sample(self, batch_size):
    priorities = np.array(self.priorities)
    # Calculate sampling probabilities
    probabilities = priorities**self.alpha / np.sum(priorities**self.alpha)

    # Randomly select sampled indices
    indices = np.random.choice(len(self.memory), batch_size, p=probabilities)

    # Calculate weights
    weights = (1 / (len(self.memory) * probabilities)) ** self.beta
    weights /= np.max(weights)
    states, actions, rewards, next_states, dones = zip(*[self.memory[idx] for idx in indices])
    weights = [weights[idx] for idx in indices]
    states, actions, rewards, next_states, dones = (zip(*[self.memory[idx] for idx in indices]))

    # Return tensors
    states = torch.tensor(states, dtype=torch.float32)
    ... # Repeat for rewards, next_states, dones, weights
    actions = torch.tensor(actions, dtype=torch.long).unsqueeze(1)    
    return (states, actions, rewards, next_states, dones, indices, weights)

Implementace PER

...

def update_priorities(self, indices, td_errors: torch.Tensor):
    # Update priorities for sampled transitions
    for idx, td_error in zip(indices, td_errors.abs()):
        self.priorities[idx] = abs(td_error.item()) + self.epsilon


def increase_beta(self):
    # Increment beta towards 1
    self.beta = min(1.0, self.beta + self.beta_increment)

PER v trénovací smyčce DQN

V kódu před smyčkou:

buffer = PrioritizedReplayBuffer(capacity)

Na začátku každé epizody:
```
buffer.increase_beta()
```

3. V každém kroku:

# After selecting an action
buffer.push(state, action, reward, 
            next_state, done)
...

# Before calculating the TD errors:
replay_buffer.sample(batch_size)
...

# After calculating the TD errors
buffer.update_priorities(indices, td_errors)

loss = torch.sum(weights * (td_errors ** 2))

PER v praxi: Cartpole

100 trénovacích běhů v prostředí Cartpole:

s prioritizovaným přehráváním zkušeností
s uniformním přehráváním zkušeností

Rychlejší učení a lepší výkon s PER oproti uniformnímu přehrávání

Křivky učení ukazují rychlejší učení s PER

Po 100 epochách: Cartpole, nestabilní po 100 epochách

Po 400 epochách: Cartpole, stabilní po 400 epochách

PER v praxi: prostředí Atari

Výrazné zlepšení výkonu s PER v prostředích Atari

Sloupcový graf porovnávající výkon člověka, DQN, DDQN, Dueling DDQN, Prioritized DDQN a Prioritized Dueling DQN. První čtyři jsou shodné s grafem z předchozí lekce o Dueling DQN. Poslední ukazuje, že zavedení prioritizovaného přehrávání zkušeností zlepšuje výkon DDQN.

¹ https://arxiv.org/abs/2303.11634

Pojďme si procvičit!

Deep Reinforcement Learning v Pythonu