Градиентная политика и REINFORCE

Глубокое обучение с подкреплением на Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

Отличия от DQN

REINFORCE: метод Монте-Карло, а не TD
- Обновление в конце эпизода, не на каждом шаге
- Возможно обновление после нескольких эпизодов
Нет функции ценности
Нет целевой сети
Нет ε-жадности
Нет воспроизведения опыта

Изображения функции ценности действий Q, воспроизведения опыта, ε-жадности и фиксированных Q-целей, сложенных друг на друга и перечёркнутых

Структура цикла обучения 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

Выбор действия

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)

Получение вероятностей из сети
Выбор одного действия
Возврат действия и соответствующих логарифмов вероятностей

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

Вычисление потерь

Вспомним теорему о градиенте политики:

Теорема о градиенте политики: градиент J(pi_theta) по theta равен математическому ожиданию по траекториям tau при политике pi_theta от произведения доходности эпизода на сумму градиентов логарифмов вероятностей действий по всем действиям траектории.

Функция потерь REINFORCE для эпизода: L(theta) равно минус доходность эпизода, умноженная на сумму логарифмов вероятностей действий.

На Python:

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

loss = -episode_return * episode_log_probs.sum()

Цикл обучения 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()

Давайте потренируемся!

Глубокое обучение с подкреплением на Python