Gradient polityki i REINFORCE

Głębokie uczenie ze wzmocnieniem w Pythonie

Timothée Carayol

Principal Machine Learning Engineer, Komment

Różnice w stosunku do DQN

REINFORCE: Monte Carlo, nie Temporal Difference
- Aktualizacja na końcu epizodu, nie w każdym kroku
- Możliwa aktualizacja po kilku epizodach
Brak funkcji wartości
Brak sieci docelowej
Brak strategii epsilon-zachłannej
Brak powtórki doświadczeń

Obrazy przedstawiające: funkcję wartości akcji Q, powtórkę doświadczeń, strategię epsilon-zachłanną oraz stałe cele Q — ułożone jedna na drugiej i przekreślone

Struktura pętli treningowej 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

Wybór akcji

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)

Pobieranie prawdopodobieństw z sieci
Próbkowanie jednej akcji
Zwracanie akcji i odpowiadających logarytmów prawdopodobieństwa

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

Obliczanie straty

Przypomnijmy twierdzenie o gradiencie polityki:

Twierdzenie o gradiencie polityki: gradient J(pi_theta) względem theta równa się wartości oczekiwanej po trajektoriach tau zgodnych z pi_theta iloczynu zwrotu z epizodu i sumy gradientów logarytmów prawdopodobieństw akcji, zsumowanej po wszystkich akcjach w trajektorii.

Funkcja straty REINFORCE dla epizodu: L(theta) równa się minus zwrot z epizodu razy suma logarytmów prawdopodobieństw akcji.

W Pythonie:

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

loss = -episode_return * episode_log_probs.sum()

Pętla treningowa 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()

Czas na ćwiczenia!

Głębokie uczenie ze wzmocnieniem w Pythonie