学界 | 策略梯度下降过时了,OpenAI 拿出一种新的策略优化算法PPO

AI 科技评论按:美国时间7月20日,OpenAI 刚刚通过自己的研究博客介绍了一种新的优化算法 Proximal Policy Optimization(近端策略优化,PPO)。据介绍,这种算法用在强化学习中时表现能达到甚至超过现有算法的顶尖水平,同时还更易于实现和调试。所以 OpenAI 已经把PPO作为自己强化学习研究中首选的算法。AI 科技评论把这篇介绍 PPO 算法的博文编译如下。

图中就是一个 OpenAI 利用 PPO 训练的机器人。它要学习走、跑、转弯来尝试接近球型的、随机移动的目标;环境中还有一个会撞机器人的小球给它增大难度,所以它还要学会受到撞击以后恢复平衡,甚至被撞倒以后重新站起来。

现有算法

近期的策略梯度的一类方法让深度神经网络在控制任务中取得了明显进步,电脑游戏、三维运动、围棋都是很好的例子。但是用策略梯度的方法取得好的结果也有一些难度,因为这类方法对迭代步骤数非常敏感:如果选得太小,训练过程就会慢得令人绝望;如果选得太大,反馈信号就会淹没在噪声中,甚至有可能让模型表现雪崩式地下降。这类方法的采样效率也经常很低,学习简单的任务就需要百万级至十亿级的总迭代次数。

为了解决方法中的这些问题,研究人员们已经找到了 TRPO(Trust Region Policy Optimization,信任区域策略优化,https://arxiv.org/abs/1502.05477)和 ACER(Sample Efficient Actor-Critic with Experience Replay,能高效采样的带有经验回放的表演者-评论者算法,https://arxiv.org/abs/1611.01224) 这样的方法,对策略更新的大小做出限制或者另外的优化。达到了这样的效果,这些方法也就在别的方面付出了代价:ACER 比 PPO复杂得多,需要额外的代码用于策略外的纠正以及一个回放缓冲区,在 Atari 测试中的具体表现却只比 PPO 勉强好一点点;TRPO 虽然在连续控制任务中很有用,但是对策略函数和价值函数或者辅助损失之间有共享参数的算法较难兼容,比如 Atari 和其它一些视觉输入占据主要部分的任务就是这样。

PPO

在监督学习中,实现损失函数、在上面做梯度下降都很容易,而且基本上不费什么功夫调节超参数就肯定能够得到很好的结果。但是在强化学习中想要获得好结果就没有这么简单了,算法中有许多变化的部分导致难以 debug,而且需要花很大的精力在调试上才能得到好结果。PPO 则在实现的难易程度、采样复杂度、调试所需精力之间取得了新的平衡,它在每一步迭代中都会尝试计算新的策略,这样可以让损失函数最小化,同时还能保证与上一步迭代的策略间的偏差相对较小。

之前 OpenAI 就详细介绍过 PPO的一个变种 (详见文末),其中用一个自适应 Kullback–Leibler 惩罚项控制每次迭代中的策略变化程度。现在介绍的这种新变种则使用了一种其它算法中罕见的全新的目标函数:

信任区域更新的功能就可以通过这种目标函数得到实现,它与随机梯度下降兼容,而且移除了Kullback–Leibler 惩罚项及它的自适应升级功能差,从而简化了算法。在测试中,PPO 算法在连续控制任务中取得了最好的效果,而且在 Atari 游戏测试中的表现几乎与 ACER 持平;考虑到 PPO 的简便性,这样的结果真是令人惊喜万分。

可控的复杂机器人

OpenAI 的研究人员们设计了具有互动能力的机器人,然后用 PPO 训练它们的策略。在这些基于 Roboschool 环境的实验中,可以用键盘给机器人设定新的目标位置;尽管输入的目标序列与用来训练机器人的序列不同,机器人仍然可以进行泛化。

除了 Roboschool 中这样的简单机器人,他们还用 PPO 教会复杂的仿真机器人走路,比如来自波士顿动力的 Atlas 的仿真模型。相比前面的双足机器人的17个独立关节,这个模型中独立关节的数目高达30个。也有一些其它的研究人员已经成功借助 PPO 训练仿真机器人用精彩的跑酷动作跨越障碍(参见 AI 科技评论文章 机器人走路未必笨拙,DeepMind新方法训练的人工智能走得就很飘逸 )。

基准模型:PPO 和 TRPO

OpenAI 一并发布了包含大小可变的、并行实现的 PPO 和 TRPO 的基准模型,两者都用 MPI 作为数据传递模块,Python3 和 TensorFlow 都可以支持。他们还把用于训练上文中的机器人的预训练模型增加到了 Roboschool 机器人动物园 ( https://github.com/openai/roboschool/tree/master/agent_zoo )中。

PPO变种 - NIPS 2016 论文视频「通过策略优化进行深度强化学习」视频地址:https://channel9.msdn.com/Events/Neural-Information-Processing-Systems-Conference/Neural-Information-Processing-Systems-Conference-NIPS-2016/Deep-Reinforcement-Learning-Through-Policy-Optimization

论文地址:https://arxiv.org/abs/1707.06347

基准模型地址: https://github.com/openai/baselines

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2017-07-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

【突破】深度学习计算消耗降低95%,KDD2017哈希法研究加速神经网络进化

【新智元导读】 莱斯大学两位研究员使用一种基于 Hashing 的新技术,大幅减少了训练和测试神经网络所需的计算量。他们称:“1000 个神经元的网络我们能节能...

3899
来自专栏灯塔大数据

提高机器学习模型准确率的八大可靠方法

介绍 想要提高模型的性能有时会是一件难度不小的事情。如果你也遇到过类似的情况,相信一定会认同我这一看法。在一一尝试毕生所学的对策和算法之后,依然没能够提高模型的...

2738
来自专栏机器之心

教程 | 从零开始:如何使用LSTM预测汇率变化趋势

选自Stats and Bots 作者:Neelabh Pant 机器之心编译 参与:刘晓坤、蒋思源 在这篇文章中,我们将通过 LSTM 讨论时序预测模型,数据...

4089
来自专栏人工智能

迁移学习 - 机器学习的下一个前沿

近年来,我们在训练深度神经网络从大量的标记数据(图片、句子、标签预测等)中获取非常精确的输入输出映射关系上取得了巨大的进展。

5666
来自专栏大数据文摘

还在用ps抠图抠瞎眼?机器学习通用背景去除产品诞生记

2476
来自专栏机器之心

业界 | Uber提出SBNet:利用激活的稀疏性加速卷积网络

2886
来自专栏AI科技评论

CVPR2016 | 李飞飞实验室论文:视频中人物的可视化指南

GAIR 今年夏天,雷锋网将在深圳举办一场盛况空前的“全球人工智能与机器人峰会”(简称CCF-GAIR)。大会现场,谷歌,DeepMind,Uber,微软等巨头...

29912
来自专栏文智的专栏

【 文智背后的奥秘 】系列篇 :情感分类

情感分类是对带有感情色彩的主观性文本进行分析、推理的过程,即分析对说话人的态度,倾向正面,还是反面。它与传统的文本主题分类又不相同,传统主题分类是分析文本讨论的...

2.2K1
来自专栏新智元

CVPR 2018:腾讯图像去模糊、自动人像操纵最新研究

1985
来自专栏专知

【干货】强化学习介绍

【导读】由于Alpha Go的成功,强化学习始终是人们谈论的焦点。现在Thomas Simonini在国外blog网站上发布了系列强化学习教程,以下是本系列的第...

1123

扫码关注云+社区