Gradientul politicii și REINFORCE

Deep Reinforcement Learning în Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

Diferențe față de DQN

REINFORCE: Monte-Carlo, nu Temporal Difference
- Actualizare la sfârșitul episodului, nu la fiecare pas
- Se poate actualiza și după mai multe episoade
Fără funcție de valoare
Fără rețea țintă
Fără epsilon-greedy
Fără reluare a experienței

Imagini reprezentând: funcția de valoare a acțiunii Q, reluarea experienței, epsilon-greedy și ținte Q fixe, stivuite și tăiate cu o linie

Structura buclei de antrenament 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

Selectarea acțiunii

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)

Obținerea probabilităților din rețea
Eșantionarea unei acțiuni
Returnarea acțiunii și a log-probabilităților corespunzătoare

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

Calculul pierderii

Reamintim teorema gradientului politicii:

Teorema gradientului politicii: Gradientul lui J(pi_theta) față de theta este egal cu așteptarea asupra traiectoriilor tau care urmează pi_theta, adică randamentul episodului înmulțit cu suma gradienților log-probabilităților acțiunilor, sumată peste toate acțiunile din traiectorie.

Funcția de pierdere REINFORCE pentru un episod: L(theta) este egală cu minus randamentul episodului înmulțit cu suma log-probabilităților acțiunilor.

În Python:

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

loss = -episode_return * episode_log_probs.sum()

Bucla de antrenament 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()

Să exersăm!

Deep Reinforcement Learning în Python