Gradient de politique et REINFORCE

Deep Reinforcement Learning en Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

Différences avec DQN

REINFORCE : Monte-Carlo, pas Différence temporelle
- Mise à jour en fin d'épisode, et non à chaque étape
- Peut plutôt mettre à jour après plusieurs épisodes
Aucune fonction de valeur
Aucun réseau cible
Aucune stratégie epsilon-gourmande
Aucun relecture d'expériences

Images représentant : la fonction valeur d'action Q, la relecture d'expériences, la stratégie epsilon-gourmande et des cibles q figées, empilées et barrées

Structure de la boucle d'apprentissage 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

Sélection de l'action

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)

Obtenir les probabilités du réseau
Échantillonner une action
Retourner l'action et les log-probabilités correspondantes

Indice d'action échantillonnée : 1
Log-probabilité de l'action échantillonnée : -1.38

Calcul de la perte

Rappelez-vous le théorème du gradient de politique :

Le théorème du gradient de politique : le gradient de J(pi_theta) par rapport à theta équivaut à l'espérance sur les trajectoires tau suivant pi_theta du retour d'épisode multiplié par la somme des gradients des log-probabilités d'action, sommée sur toutes les actions de la trajectoire.

La fonction de perte REINFORCE pour un épisode : L(theta) égale moins le retour d'épisode multiplié par la somme des log-probabilités d'action.

En Python :

$R_{\tau}$ en episode_return
Vecteur de $\log\pi_\theta(a_t|s_t)$ en episode_log_probs

loss = -episode_return * episode_log_probs.sum()

La boucle d'apprentissage 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()

Passons à la pratique !

Deep Reinforcement Learning en Python