前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >convlab2中强化学习方法之对话策略学习浅析

convlab2中强化学习方法之对话策略学习浅析

作者头像
朴素人工智能
发布2020-05-08 16:23:46
1.6K0
发布2020-05-08 16:23:46
举报
文章被收录于专栏:朴素人工智能朴素人工智能
CrossWoZ是一个多轮对话的中文数据集。对应的github地址在这

https://github.com/thu-coai/ConvLab-2

论文里面为了解决多轮对话的对话策略问题,分别用了基于规则(RulePolicy)和多种强化学习方法(比如PPOPolicy)。结果如下。

可以看到,Success rate 在RulePolicy中的表现远高于基于强化学习模型的policy。尽管如此,本文还是以学习的态度进入github地址分析了一下作者的代码。稍微还原一下强化学习PPOPolicy在多轮对话中建模的过程。

在具体的实现过程中,一共有以下几个重要概念

  • 对话状态 s
  • 动作 a
  • 回报 r

以代码仓库中PPOPolicy中的参数为例,s 是340维的0/1分布的离散空间,分别对应着多领域对话过程中的340个状态;a 是209维0/1离散空间,分别对应着在状态s下所可能执行的对应动作;回报 r 是根据环境确定的,比如如果完成了对话,则回报会给予一个很大的数,如果没有任何增益,则为 -1。

下面是代码实现,简单易懂。

  • 值函数
代码语言:javascript
复制
class Value(nn.Module):
    def __init__(self, s_dim, hv_dim):
        super(Value, self).__init__()

        self.net = nn.Sequential(nn.Linear(s_dim, hv_dim),
                                 nn.ReLU(),
                                 nn.Linear(hv_dim, hv_dim),
                                 nn.ReLU(),
                                 nn.Linear(hv_dim, 1))

    def forward(self, s):
        """
        :param s: [b, s_dim]
        :return:  [b, 1]
        """
        value = self.net(s)

        return value

当前状态对应的价值value,完全由状态s通过三层全连接确定。

  • 动作函数a
代码语言:javascript
复制
self.net = nn.Sequential(nn.Linear(s_dim, h_dim),
                         nn.ReLU(),
                         nn.Linear(h_dim, h_dim),
                         nn.ReLU(),
                         nn.Linear(h_dim, a_dim))

状态s下的动作也是用全连接来生成。但是具体使用的时候会有采样输出

代码语言:javascript
复制
def select_action(self, s, sample=True):
    """
    :param s: [s_dim]
    :return: [a_dim]
    """
    # forward to get action probs
    # [s_dim] => [a_dim]
    a_weights = self.forward(s)
    a_probs = torch.sigmoid(a_weights)
    
    # [a_dim] => [a_dim, 2]
    a_probs = a_probs.unsqueeze(1)
    a_probs = torch.cat([1-a_probs, a_probs], 1)
    a_probs = torch.clamp(a_probs, 1e-10, 1 - 1e-10)
    
    # [a_dim, 2] => [a_dim]
    a = a_probs.multinomial(1).squeeze(1) if sample else a_probs.argmax(1)
    
    return a

然后根据nn生成的价值函数v和环境给出的真实回报r,使用贝尔曼方程和优势梯度估计获取更新的价值函数v和优势。因为多轮对话是连续的,因此代码实现的时候通过mask来控制识别单轮和多轮。新生成的价值函数可以用来更新上面的价值网络Value。优势计算的结果则可以帮助更新策略网络net,以优化动作函数a

代码语言:javascript
复制
def est_adv(self, r, v, mask):
    """
    we save a trajectory in continuous space and it reaches the ending of current trajectory when mask=0.
    :param r: reward, Tensor, [b]
    :param v: estimated value, Tensor, [b]
    :param mask: indicates ending for 0 otherwise 1, Tensor, [b]
    :return: A(s, a), V-target(s), both Tensor
    """
    batchsz = v.size(0)

    # v_target is worked out by Bellman equation.
    v_target = torch.Tensor(batchsz).to(device=DEVICE)
    delta = torch.Tensor(batchsz).to(device=DEVICE)
    A_sa = torch.Tensor(batchsz).to(device=DEVICE)

    prev_v_target = 0
    prev_v = 0
    prev_A_sa = 0
    for t in reversed(range(batchsz)):
        # mask here indicates a end of trajectory
        # this value will be treated as the target value of value network.
        # mask = 0 means the immediate reward is the real V(s) since it's end of trajectory.
        # formula: V(s_t) = r_t + gamma * V(s_t+1)
        v_target[t] = r[t] + self.gamma * prev_v_target * mask[t]

        # please refer to : https://arxiv.org/abs/1506.02438
        # for generalized adavantage estimation
        # formula: delta(s_t) = r_t + gamma * V(s_t+1) - V(s_t)
        delta[t] = r[t] + self.gamma * prev_v * mask[t] - v[t]

        # formula: A(s, a) = delta(s_t) + gamma * lamda * A(s_t+1, a_t+1)
        # here use symbol tau as lambda, but original paper uses symbol lambda.
        A_sa[t] = delta[t] + self.gamma * self.tau * prev_A_sa * mask[t]

        # update previous
        prev_v_target = v_target[t]
        prev_v = v[t]
        prev_A_sa = A_sa[t]

    # normalize A_sa
    A_sa = (A_sa - A_sa.mean()) / A_sa.std()

    return A_sa, v_target

还有很多种强化学习方法,共同的目的都是学习更好的动作函数网络。如果对强化学习方法感兴趣可以继续深入仓库探索。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2020-05-06,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 朴素人工智能 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • CrossWoZ是一个多轮对话的中文数据集。对应的github地址在这
  • 论文里面为了解决多轮对话的对话策略问题,分别用了基于规则(RulePolicy)和多种强化学习方法(比如PPOPolicy)。结果如下。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档