Proximal policy optimization

Djup förstärkningsinlärning i Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

A2C

A2C policyuppdateringar:
- Baseras på instabila skattningar
- Kan vara stora och ostabila
Kan försämra prestanda

En Mars-rover ligger trasig efter en olycka på ojämn terräng

PPO

PPO begränsar storleken på varje policyuppdatering
Förbättrar stabiliteten

En Mars-rover kör glatt på Mars yta

Sannolikhetskvoten

PPOs viktigaste innovation: en ny målfunktion
Kärnan är:

Sannolikhetskvot: kvoten mellan sannolikheten för en åtgärd under den nya policyn och sannolikheten under den gamla policyn, betecknad r_t

Hur mycket mer sannolik är åtgärd $a_t$ med $\theta$ jämfört med $\theta_{old}$?

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

  # Or equivalently
  ratio = torch.exp(action_log_prob - 
          old_action_log_prob.detach())

Använd detach på nämnaren för att förhindra gradientpropagering

Klippning av sannolikhetskvoten

Klippningsfunktionen:

En graf över clip(x, 0.8, 1.2) mellan x=0,6 och x=1,4; funktionen är lika med 0,8 under x=0,8; x mellan 0,8 och 1,2; 1,2 ovanför 1,2.

Den klippta sannolikhetskvoten är clip(r_t, 1-epsilon, 1+epsilon)

clipped_ratio = torch.clamp(ratio,
                            1-epsilon, 
                            1+epsilon)

Funktionen 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)

PPO:s målfunktion

J surr = E_t(r_t * advantage)

surr1 = ratio * td_error.detach()

surr2 = clipped_ratio * td_error.detach()

objective = torch.min(surr1, surr2)

Surrogat med klippt kvot:

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

PPO:s klippta surrogat-målfunktion:

Klippt surrogat-målfunktion: förväntat värde av minimumet mellan kvot * fördel och klippt kvot * fördel.

Mer stabil än A2C

PPO:s förlustberäkning

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

Nu kör vi en övning!

Djup förstärkningsinlärning i Python