Optimizarea proximală a politicii

Deep Reinforcement Learning în Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

A2C

  • Actualizările de politică A2C:
    • Bazate pe estimări volatile
    • Pot fi mari și instabile
  • Pot afecta performanța

Un rover marțian defect după un accident pe teren accidentat

PPO

  • PPO limitează dimensiunea fiecărei actualizări de politică
  • Îmbunătățește stabilitatea

Un rover marțian care circulă fără probleme pe suprafața marțiană

Deep Reinforcement Learning în Python

Raportul de probabilitate

  • Inovația principală PPO: o nouă funcție obiectiv
  • La baza sa:

Raportul de probabilitate: raportul dintre probabilitatea unei acțiuni sub noua politică și probabilitatea sub politica veche, notat r_t

  • Cât de mult mai probabilă este acțiunea $a_t$ cu $\theta$ față de $\theta_{old}$?

 

  ratio = action_log_prob.exp() / 
          old_action_log_prob.exp().detach()

  # Or equivalently
  ratio = torch.exp(action_log_prob - 
          old_action_log_prob.detach())
  • detach numitorul pentru a preveni propagarea gradientului
Deep Reinforcement Learning în Python

Trunchierea raportului de probabilitate

 

  • Funcția de trunchiere:

Graficul funcției clip(x, 0.8, 1.2) între x=0.6 și x=1.4; funcția este egală cu 0.8 sub x=0.8; x între 0.8 și 1.2; 1.2 peste 1.2.

Raportul de probabilitate trunchiat este clip(r_t, 1-epsilon, 1+epsilon)

 

 

clipped_ratio = torch.clamp(ratio,
                            1-epsilon, 
                            1+epsilon)
Deep Reinforcement Learning în Python

Funcția calculate_ratios

 

def calculate_ratios(action_log_prob, action_log_prob_old, epsilon):

    prob = action_log_prob.exp()
    prob_old = action_log_prob_old.exp()
    prob_old_detached = prob_old.detach()
    ratio = prob / prob_old_detached
    clipped_ratio = torch.clamp(ratio, 1-epsilon, 1+epsilon)

    return (ratio, clipped_ratio)

Example with epsilon = .2:

        Ratio: tensor(1.25)

Clipped ratio: tensor(1.20)
Deep Reinforcement Learning în Python

Funcția obiectiv PPO

 

J surr = E_t(r_t * advantage)

surr1 = ratio * td_error.detach()

surr2 = clipped_ratio * td_error.detach()

objective = torch.min(surr1, surr2)

 

  • Surogat cu raport trunchiat:

$$\mathrm{clip}(r_t(\theta),1-\varepsilon,1+\varepsilon)\hat{A}$$

  • Funcția obiectiv PPO cu trunchiere:

Funcția obiectiv surogat trunchiată: valoarea așteptată a minimului dintre ratio * advantage și clipped_ratio * advantage.

  • Mai stabilă decât A2C
Deep Reinforcement Learning în Python

Calculul pierderilor PPO

 

def calculate_losses(critic_network, 
                     action_log_prob,                                        
                     action_log_prob_old,
                     reward, state, next_state,
                     done
                     ):

    # calculate TD error (same as A2C)
    value = critic_network(state)
    next_value = critic_network(next_state)
    td_target = (reward + 
                 gamma * next_value * (1-done))
    td_error = td_target - value
    ...

 

    ...
    ratio, clipped_ratio = 
            calculate_ratios(action_log_prob, 
                             action_log_prob_old,
                             epsilon)

    surr1 = ratio * td_error.detach()

    surr2 = clipped_ratio * td_error.detach()

    objective = torch.min(surr1, surr2)

    actor_loss = -objective

    critic_loss = td_error ** 2

    return actor_loss, critic_loss
Deep Reinforcement Learning în Python

Să exersăm!

Deep Reinforcement Learning în Python

Preparing Video For Download...