强化学习-学习笔记3 | 策略学习

Policy-Based Reinforcement Learning. 策略学习。

本讲用一个神经网络来近似 policy 函数，即 Policy Network，策略网络。

3. 策略学习

3.1 策略函数

我们回顾一下 策略函数 Policy Function ：

策略函数 \(\pi(a | s)\)是一个 概率密度函数（PDF），输入时当前状态s，输出为一个概率分布，表征每个 action 的概率，

拿到 策略函数 输出的 概率密度 后，agent 面向所有动作做一次随机抽样，但各个动作的概率不同。

策略学习的思路即，有了合适的 策略函数，我们就能很好的控制 agent 自动地运动 。

问题与 价值学习 的相近：我们事先并不知道这样一个策略函数，我们如何得到一个近似的策略函数呢？

如果 一个小游戏只有 5个状态10个动作，那么画一张表，通过反复地游戏得到它们的概率填入表中即可，但事实上游戏十分复杂。

我们需要做函数近似，通过学习来近似 策略函数。而函数近似的方法很多，神经网络就是其中的一种，用于近似策略函数的神经网络就是 Policy Network。

3.2 策略网络

Policy Network.

用策略网络\(\pi(a|s;\theta)\)来近似\(\pi(a|s)\)，其中 θ 是神经网络的参数，初始的 θ 是随机初始化的，通过后续的学习来改进 θ 。

比如对于超级玛丽这样的游戏：

状态画面经过卷积 Conv 提取特征，特征经过全连接层 Dense 再通过 softmax 层（归一化）得到一个动作的概率分布，动作的概率集合全部加起来要等于1。

3.3 状态价值函数回顾

State-Value-Function.

折扣回报函数：

• \(U_t=R_t+\gamma R_{t+1}+\gamma^2 R_{t+2}+\gamma^3 R_{t+3}+\cdots\)

动作价值函数：

• \(Q_\pi(s_t,a_t) = \mathbb{E}[U_t|S_t=s_t,A_t=a_t]\)
• 评价在状态 \(s_t\) 的情况下做出动作 \(a_t\) 的好坏程度。

状态价值函数

• \(V_{\pi}(s_t) = \mathbb{E}_A[Q_\pi(s_t,A)]\)
• 消掉了动作 A ，这样 \(V_\pi\) 只跟状态 s 与策略函数 \(\pi\) 有关了。
• 给定 \(\pi\)，可以评价当前状态的好坏；给定状态\(s_t\)，可以评价策略 \(\pi\) 的好坏。
• 展开：
  • \(V_{\pi}(s_t) = \mathbb{E}_A[Q_\pi(s_t,A)]=\sum_a\pi(a|s_t)\cdot Q_\pi(s_t,a)\)这里动作是离散的。
  • \(V_{\pi}(s_t) = \mathbb{E}_A[Q_\pi(s_t,A)]=\int\pi(a|s_t)\cdot Q_\pi(s_t,a) da\)这里动作是连续的

3.4 策略学习的主要思想

基于上面的回顾，状态价值函数：

\[V_{\pi}(s_t) = \mathbb{E}_A[Q_\pi(s_t,A)]=\sum_a\pi(a|s_t)\cdot Q_\pi(s_t,a) \]

下面我们要用 神经网络 来近似 状态价值函数：

• 用策略网络 \(\pi(a|s;\theta)\) 来近似 \(\pi(a|s)\)

• 把 \(\pi(a|s_t)\) 函数替换成 \(\pi(a|s_t;\theta)\)，即为：

  \(V(s_t;\theta) = \sum_a\pi(a|s_t;\theta)\cdot Q_\pi(s_t,a)\)

这样，状态价值函数就可以写成：$V(s;\theta) \(，\)V$ 可以评价策略网络的好坏，给定状态 S ，策略网络越好 V 的值就越大。可以通过改进参数 \(\theta\)，让$V(s;\theta) $变大。

基于上述想法，可把目标函数定义为$V(s;\theta) $$的期望 ：$$J(\theta)=\mathbb{E}_{S}[V({S};\theta)]\(，期望是关于状态 S 求的，这样我们的**目标就是改进\)\theta$，使得 \(J(\theta)\) 越大越好。**

J 函数可以理解为，使用策略函数 \(\pi\) ，agent的胜算有多大。

如何改进 \(\theta\) ? 即使用策略梯度算法(Policy gradient ascent)

• 观测到状态 s，这个 s 是从状态的概率分布中随机抽样出来的。

• 把$V(s;\theta) $关于 s 求导可以得到一个梯度，然后用梯度上升来更新 \(\theta\)，\(\beta\)是学习率。

  \(\theta \leftarrow \theta +\beta\cdot \frac{\partial V(s;\theta)}{\partial \theta}\)

注意：我们这里算的是 V 关于 \(\theta\) 的导数，是一个随机梯度，随机性来源于状态 s

为什么要用梯度上升，因为我们想让目标函数 \(J(\theta)\) 变得越来越大。

其中 \(\frac{\partial V(s;\theta)}{\partial \theta}\) 被叫做 Policy gradient 策略梯度。

3.5 策略梯度算法

策略梯度是 V 函数 对 策略神经网络参数 \(\theta\) 的导数。

策略梯度算法的推导后续补上，目前按照视频听懂了，但是推导过程还不够严谨。

a. 两种形式

1. \(\pi\) 关于 θ 的导数 ✖ \(Q_\pi\)，再做连加；

   \(\frac{\partial V(s;\theta)}{\partial \theta}=\sum_a\frac{ \partial \pi(a|s;\theta) }{\partial \theta}\cdot Q_\pi(s,a)\)

2. \(\log\pi\) 关于 \(\theta\) 的导数，乘以 \(Q_\pi\)，再关于随机变量 A 求期望。

   \(\frac{\partial V(s;\theta)}{\partial \theta}=\mathbb{E}_{A\sim\pi(\cdot|s;\theta)}[\frac{ \partial log\pi(A|s;\theta) }{\partial \theta})\cdot Q_\pi(s,a)\)

这两种形式是等价的。

b. 计算梯度

有了前面两个公式，来计算策略梯度：

如果动作是离散的：可以使用第一个公式：

\(\frac{\partial V(s;\theta)}{\partial \theta}=\sum_a\frac{ \partial \pi(a|s;\theta) }{\partial \theta}\cdot Q_\pi(s,a)\)

1. 对于每个动作 a , 计算 \(f(a,\theta)=\frac{\partial{\pi(a|s;\theta)}}{\partial\theta}\cdot{Q_\pi(s,a)}\)

2. 策略梯度就是把 每个动作的 f 值 加起来：

   $ \frac{\partial{V(s;\theta)}}{\partial \theta}=f(a_1,\theta)+f(a_2,\theta)+...+f(a_n,\theta)$

而对于连续的动作，使用第二个公式：

\(\frac{\partial V(s;\theta)}{\partial \theta}=\mathbb{E}_{A\sim\pi(\cdot|s;\theta)}[\frac{ \partial log\pi(A|s;\theta) }{\partial \theta})\cdot Q_\pi(s,a)\)

要求期望的话，需要对 A 进行定积分，而这不可能，因为 \(\pi\) 函数是一个复杂的神经网络，无法通过数学公式积分。只能通过蒙特卡洛近似来近似的算出来：

1. 根据概率密度函数 \(\pi\) 随机抽样得到一个动作 \(\widehat{a}\) ,

2. 计算 \(g(\widehat{a},\theta)=\frac{\partial{log\pi(\widehat{a}|s;\theta)}}{\partial\theta}\cdot Q_\pi(s,\widehat{a})\)

   注意这里的 \(\widehat{a}\)是抽样出来的已确定的值。

3. 根据公式2，g 函数 关于 A 求期望即为策略梯度:

   \(\mathbb{E}_{A}[g(\widehat{a},\theta)] = \frac{\partial V(s;\theta)}{\partial \theta}\)

4. 由于 \(\widehat{a}\) 是随机抽出来的，，所以 g 函数是 策略梯度的无偏估计。

5. 由于4中结论，所以可以使用 g函数来近似 策略梯度，这就是蒙特卡洛近似。

蒙特卡洛近似：

随机抽取一个或很多个样本，用随机样本来近似期望。

mark 一个课程 CS285 Lecture。

c. 算法过程

1. 在 t 时刻观测到状态 \(s_t\) ，接下来用蒙特卡洛近似来计算策略梯度
2. 把策略网络 \(\pi(\cdot|{s};\theta)\) 作为概率密度函数随机采样动作 \(a_t\)。
3. 计算价值函数的值，记作\(q_t \approx Q_\pi(s_t,a_t)\)
4. 对策略网络 \(\pi\) 求导，得到向量矩阵或者张量：\(d_{\theta,t}=\frac{\partial log \pi(a_t|s_t,\theta)}{\partial \theta}|\theta=\theta_t\)
5. 近似计算策略梯度：\(g(a_t,\theta_t) = q_t \cdot d_{\theta,t}\)
6. 更新策略网络：\(\theta_{t+1}=\theta_t+\beta \cdot g(a_t,\theta_t)\)，梯度上升，为了让价值函数 V 变大。

其实上面还有一点没说，就是 \(q_t\) 怎么计算？，即 \(Q_\pi\)怎么计算。

方法1：Reinforce 算法

用策略网络 \(\pi\) 来控制 agent 运动，从一开始玩到游戏结束，把整个游戏轨迹都记录下来：

\[s_1,a_1,r_1,s_2,a_2,r_2,\cdots,s_t,a_t,r_t \]

观测到所有奖励 r ,就可以算出折扣回报 \(u_t = \sum_{k=t}^{T}\gamma^{k-t}r_k\)。

由于\(Q_\pi(s_t,a_t) = \mathbb{E}[U_t]\)，所以可以使用\(u_t\)来近似$Q_\pi(s_t,a_t) $

即使用\(q_t = u_t\)

总结就是用观测到的$ u_t\(来代替\)Q_\pi(s_t,a_t)$函数

方法2：用一个神经网络来近似\(Q_\pi\)

原本已经拿神经网络来近似一个策略函数 \(\pi\)，现在又拿另一个神经网络近似 \(Q_\pi\) ，这样就有了两个神经网络，对于两个神经网络就涉及到了Actor-Critic。

3.6 总结

策略学习的思路是，我们如果能够得到一个好的 策略函数 \(\pi\) ，我们就能用 \(\pi\) 自动控制 agent 。即：\(a_t \sim\pi(\cdot | s)\)

为了得到这样一个策略函数，我们使用一个 神经网络 Policy Network \(\pi(a|s;\theta)\) 来近似策略函数。

要得到神经网络需要得到它的参数 θ，求解的算法是策略梯度算法；策略梯度就是价值函数关于θ的导数。算出θ后用梯度上升来迭代θ，以使得目标函数\(J(\theta)=\mathbb{E}_{S}[V({S};\theta)]\)越大越好。

x. 参考教程

• 视频课程：深度强化学习（全）_哔哩哔哩_bilibili
• 视频原地址：https://www.youtube.com/user/wsszju
• 课件地址：https://github.com/wangshusen/DeepLearning
• 笔记参考：
  • https://zlq7m64rhg.feishu.cn/drive/folder/fldcnvII4pZn6rjElhDTte1O7yD
  • 策略学习：https://zlq7m64rhg.feishu.cn/docs/doccnuOGH0IdxxL72VKGmGdOHrh#

标签：partial,策略,cdot,笔记,学习,theta,强化,pi,函数
来源： https://www.cnblogs.com/Roboduster/p/16445811.html