Policy gradient och REINFORCE

Djup förstärkningsinlärning i Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

Skillnader mot DQN

REINFORCE: Monte-Carlo, inte Temporal Difference
- Uppdatering sker i slutet av episoden, inte vid varje steg
- Kan även uppdatera efter flera episoder
Ingen värdefunktion
Inget målnätverk
Ingen epsilon-girighet
Ingen erfarenhetsåteruppspelning

Bilder som representerar: aktionsvärdefunktionen Q, erfarenhetsåteruppspelning, epsilon-girighet och fasta q-mål, staplade ovanpå varandra och överkorsade

REINFORCE-träningsloopens struktur

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

Val av aktion

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)

Hämta sannolikheter från nätverket
Sampla en aktion
Returnera aktionen och motsvarande log-sannolikheter

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

Förlustberäkning

Kom ihåg policy gradient-satsen:

Policy gradient-satsen: Gradienten av J(pi_theta) med avseende på theta är lika med förväntningsvärdet över trajektorier tau som följer pi_theta, av episodens avkastning multiplicerat med summan av gradienterna av log-aktionssannolikheterna, summerat över alla aktioner i trajektorien.

REINFORCE-förlustfunktionen för en episod: L(theta) är lika med minus episodens avkastning gånger summan av aktionernas log-sannolikhet.

I Python:

$R_{\tau}$ som episode_return
Vektor av $\log\pi_\theta(a_t|s_t)$ som episode_log_probs

loss = -episode_return * episode_log_probs.sum()

REINFORCE-träningsloopen

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()

Nu kör vi en övning!

Djup förstärkningsinlärning i Python