Policy gradient і REINFORCE

Глибоке навчання з підкріпленням у Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

Відмінності від DQN

REINFORCE: Монте-Карло, не Temporal Difference
- Оновлення наприкінці епізоду, а не на кожному кроці
- Можна оновлювати після кількох епізодів
Без функції значення
Без цільової мережі
Без epsilon-greedy
Без повторного відтворення досвіду

Зображення, що представляють: функцію значення дії Q, повторне відтворення досвіду, epsilon-greedy та фіксовані q-цілі — складені один на одного та перекреслені

Структура циклу навчання 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

Вибір дії

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)

Отримати ймовірності з мережі
Вибрати одну дію випадково
Повернути дію та відповідні логймовірності

Індекс вибраної дії: 1
Логймовірність вибраної дії: -1.38

Обчислення втрат

Згадайте теорему градієнта політики:

Теорема градієнта політики: градієнт J(pi_theta) за тета дорівнює сподіванню за траєкторіями tau під pi_theta від повної винагороди епізоду, помноженої на суму градієнтів логймовірностей дій, підсумованих за всіма діями в траєкторії.

Функція втрат REINFORCE для епізоду: L(theta) дорівнює мінус повній винагороді епізоду, помноженій на суму логймовірностей дій.

У Python:

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

loss = -episode_return * episode_log_probs.sum()

Цикл навчання 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 потренуємось!

Глибоке навчання з підкріпленням у Python