当前位置：首页 > news >正文

策略梯度简明教程

news 文章来源：https://blog.csdn.net/shebao3333/article/details/134774900 2024/11/17 13:36:08

策略梯度方法 (PG：Policy Gradient) 是强化学习 (RL：Reinforcement Learning) 中常用的算法。

1、从库里的本能开始

PG的原理很简单：我们观察，然后行动。人类根据观察采取行动。引用斯蒂芬·库里的一句话：

你必须依靠这样一个事实：你付出了努力来创造肌肉记忆，然后相信它会发挥作用。你如此多地练习和努力的原因是，在比赛过程中你的直觉会在一定程度上发挥作用。如果你没有以正确的方式去做，就会感觉很奇怪。

不断的练习是运动员建立肌肉记忆的关键。对于 PG，我们训练一个基于观察来采取行动的策略。 PG 中的训练使得高奖励的行动更有可能发生，反之亦然。

我们保留有效的，丢弃无效的。

在策略梯度方法中，库里是我们的代理人。

他观察环境的状态。
他根据自己对状态 s 的本能（策略 π）采取行动（u）。
他移动，对手做出反应。一个新的状态形成了。
他根据观察到的状态采取进一步的行动。
经过运动轨迹τ 后，他根据收到的总奖励 R(τ) 调整自己的本能。

库里看到了情况并立即知道该怎么做。多年的训练完善了最大化回报的本能。在强化学习中，本能可以在数学上描述为：

即在给定状态 s 的情况下采取动作 u 的概率。 π 是强化学习中的策略。例如，当你看到前面有车时转弯或停车的机会有多大：

2、策略梯度的学习目标

我们如何用数学方式制定我们的目标？期望得到的奖励等于轨迹的概率×相应奖励之和：

我们的目标是找到策略 θ，使其可以创建轨迹 τ ：

而轨迹τ能够最大化预期回报：

3、输入特征和奖励

策略梯度方法的输入（即状态s）可以是手工制作的状态特征（如机械臂关节的角度、速度等），但在某些问题领域，强化学习已经足够成熟，可以直接处理原始图像。 π 可以是一个确定性策略，它输出要采取的确切操作（如向左或向右移动操纵杆），也可以是一个随机策略，它输出它可能采取的行动的可能性。

我们记录每个时间步给出的奖励 r。在篮球比赛中，除了终止状态为0、1、2或3外，其他状态均为0。

我们再引入一个术语 H，称为地平线。我们可以无限期地运行模拟过程（h→∞），直到达到终止状态，或者我们对 H 步设置限制。

4、优化问题

首先，让我们回顾一下深度学习和强化学习中常见且重要的技巧，函数 f(x) (R.H.S.) 的偏微分等于 f(x) 乘以 log(f(x)) 的偏微分：

将 f(x) 替换为 π，得到：

另外，对于连续空间，期望可以表示为：

现在，让我们用数学形式形式化我们的优化问题。我们想要建立一个策略模型，该模型能够产生最大化总回报的轨迹：

然而，要使用梯度下降来优化我们的问题，我们是否需要对奖励函数 r 求导，而该导数可能不可微分或形式化？

让我们将目标函数 J 重写为：

梯度（策略梯度）变成：

好消息！策略梯度可以表示为期望，这意味着我们可以使用采样来近似它。此外，我们对 r 的值进行采样，但不对其进行微分。这是有道理的，因为奖励并不直接取决于我们如何参数化模型，但轨迹 τ 是。那么log π(τ) 的偏导数是多少。

π(τ) 定义为：

取对数：

第一项和最后一项不依赖于 θ，可以删除。

所以策略梯度：

变成：

我们使用这个策略梯度来更新策略θ。

5、关于梯度更新的直觉

我们如何理解这些公式？

下划线项是最大对数似然。在深度学习中，它测量观察到的数据的可能性。在我们的背景下，它衡量当前策略下轨迹的可能性。通过将其与奖励相乘，如果轨迹产生高额正奖励，我们希望增加策略的可能性。相反，如果一个策略导致较高的负面回报，我们希望降低该策略的可能性。简而言之，保留有效的，丢弃无效的。

如果爬上山意味着更高的奖励，我们将更改模型参数（策略）以增加轨迹向上移动的可能性：

策略梯度有一件重要的事情。轨迹的概率定义为：

轨迹中的状态密切相关。在深度学习中，与强相关因子的长序列相乘很容易触发梯度消失或梯度爆炸。然而，策略梯度只是对梯度进行求和，从而打破了长序列相乘的诅咒。

这使用了一个小技巧：

创建最大对数似然，并且对数打破了长链策略相乘的诅咒。

6、基于蒙特卡洛走子的策略梯度

下面是使用Monte Carlo rollouts来计算奖励的强化学习算法。即播放整个情节（episode）来计算总奖励：

可以使用许多深度学习软件包轻松计算策略梯度。例如，这是 TensorFlow 的部分代码：

是的，通常情况下，编码看起来比解释更简单。

7、使用高斯策略进行连续控制

我们如何建立连续控制模型？

假设动作的值是高斯分布的：

该策略是使用高斯分布定义的，其平均值是根据深度网络计算得出的：

以及：

我们可以将 log π 的偏微分计算为：

所以我们可以反向传播：

通过策略网络π来更新策略θ。该算法看起来与以前完全相同。只需以稍微不同的方式开始计算策略的对数即可：

8、策略梯度改进

策略梯度存在高方差和低收敛性的问题。

蒙特卡洛播放整个轨迹并记录轨迹的确切奖励。然而，随机政策可能在不同时期采取不同的行动。一个小转弯就可以完全改变结果。所以蒙特卡罗没有偏差（bias），但方差（variance）很高。方差会损害深度学习优化。方差为模型学习提供了冲突的下降方向。一个采样的奖励可能想要增加对数可能性，而另一个采样的奖励可能想要减少它。这会损害收敛性。为了减少由动作引起的方差，我们希望减少采样奖励的方差。