Policy Gradient实战

CristianoC

发布于 2020-05-31 15:34:49

6400

发布于 2020-05-31 15:34:49

文章被收录于专栏：计算机视觉漫谈计算机视觉漫谈

1.前言

今天利用上篇文章讲解的Policy Gradient理论进行实战，背景仍然是杆子不倒游戏和小车登顶游戏。

2.算法

理论部分上篇文章已经介绍过了，这里不多赘述，感兴趣的读者可以去看我上一篇文章。

2.1算法主循环

我们先定义一下算法的主循环，这里要注意我们采取的是回合更新，而不是Q-Learning等的单步更新

 1import gym
 2from RL_brain import PolicyGradient
 3import matplotlib.pyplot as plt
 4
 5DISPLAY_REWARD_THRESHOLD = 400  # 当回合总reward大于400时显示模拟窗口
 6RENDER = False  # 在屏幕上显示模拟窗口会拖慢运行速度，我们等计算机学的差不多了再进行模拟
 7
 8env = gym.make('CartPole-v0')
 9env.seed(1)     # 普通的Policy gradient方法，使得回合的方差比较大，所以我们选了一个好点的随机种子
10env = env.unwrapped
11
12print(env.action_space)
13print(env.observation_space)
14print(env.observation_space.high)
15print(env.observation_space.low)
16
17RL = PolicyGradient(
18    n_actions=env.action_space.n,
19    n_features=env.observation_space.shape[0],
20    learning_rate=0.02,
21    reward_decay=0.99,
22    # output_graph=True,
23)
24
25for i_episode in range(3000):
26
27    observation = env.reset()
28
29    while True:
30        if RENDER: env.render()
31
32        action = RL.choose_action(observation)
33
34        observation_, reward, done, info = env.step(action)
35
36        RL.store_transition(observation, action, reward)#存储这一回合的transition
37
38        if done:
39            ep_rs_sum = sum(RL.ep_rs)
40
41            if 'running_reward' not in globals():
42                running_reward = ep_rs_sum
43            else:
44                running_reward = running_reward * 0.99 + ep_rs_sum * 0.01
45            if running_reward > DISPLAY_REWARD_THRESHOLD: RENDER = True   # 判断是否显示模拟
46            print("episode:", i_episode, "  reward:", int(running_reward))
47
48            vt = RL.learn() #学习，输出vt
49
50            if i_episode == 0:
51                plt.plot(vt)    # plot the episode vt
52                plt.xlabel('episode steps')
53                plt.ylabel('normalized state-action value')
54                plt.show()
55            break
56
57        observation = observation_

2.2 Policy Gradient部分

我们先初始化我们的神经网络

 1import numpy as np
 2import tensorflow as tf
 3
 4# reproducible
 5np.random.seed(1)
 6tf.set_random_seed(1)
 7
 8
 9class PolicyGradient:
10    def __init__(
11            self,
12            n_actions,
13            n_features,
14            learning_rate=0.01,
15            reward_decay=0.95,
16            output_graph=False,
17    ):
18        self.n_actions = n_actions
19        self.n_features = n_features
20        self.lr = learning_rate
21        self.gamma = reward_decay # reward递减率
22
23        self.ep_obs, self.ep_as, self.ep_rs = [], [], [] #存储回合信息的list
24
25        self._build_net()   #建立policy神经网络
26
27        self.sess = tf.Session()
28
29        if output_graph:
30            # $ tensorboard --logdir=logs
31            # http://0.0.0.0:6006/
32            # tf.train.SummaryWriter soon be deprecated, use following
33            tf.summary.FileWriter("logs/", self.sess.graph)
34
35        self.sess.run(tf.global_variables_initializer())

然后我们来建立我们的神经网络，我们要建立的神经网络是这样的：

 1    def _build_net(self):
 2        with tf.name_scope('inputs'):
 3            #接受observation
 4            self.tf_obs = tf.placeholder(tf.float32, [None, self.n_features], name="observations")
 5            #接收我们在这个回合中选过的actions
 6            self.tf_acts = tf.placeholder(tf.int32, [None, ], name="actions_num")
 7            #接收每个state-action所对应的value（通过reward计算）
 8            self.tf_vt = tf.placeholder(tf.float32, [None, ], name="actions_value")
 9        # fc1
10        layer = tf.layers.dense(
11            inputs=self.tf_obs,
12            units=10,
13            activation=tf.nn.tanh,  # tanh activation
14            kernel_initializer=tf.random_normal_initializer(mean=0, stddev=0.3),
15            bias_initializer=tf.constant_initializer(0.1),
16            name='fc1'
17        )
18        # fc2
19        all_act = tf.layers.dense(
20            inputs=layer,
21            units=self.n_actions,
22            activation=None, #后面用softmax
23            kernel_initializer=tf.random_normal_initializer(mean=0, stddev=0.3),
24            bias_initializer=tf.constant_initializer(0.1),
25            name='fc2'
26        )
27
28        self.all_act_prob = tf.nn.softmax(all_act, name='act_prob')  # 用softmax出概率
29
30        with tf.name_scope('loss'):
31            # 最大化总体reward(log_p*R)就是在最小化-(log_p*R)。而tf的功能里只有最小化loss
32            neg_log_prob = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=all_act, labels=self.tf_acts)  # 所选action的概率-log值
33            # or in this way:
34            # neg_log_prob = tf.reduce_sum(-tf.log(self.all_act_prob)*tf.one_hot(self.tf_acts, self.n_actions), axis=1)
35            loss = tf.reduce_mean(neg_log_prob * self.tf_vt)  # （vt=本reward+衰减的未来reward）引导参数的梯度下降
36
37        with tf.name_scope('train'):
38            self.train_op = tf.train.AdamOptimizer(self.lr).minimize(loss)

为了确保我们选择的动作真的是“正确的”，我们的loss在原本的cross-entropy形式上乘以vt。用vt来告诉这个cross-entropy算出来的梯度是不是一个值得信任的梯度。如果vt小或者是负的，就说明这个梯度下降是一个错误的方向，我们应该向着另一个方向更新参数。如果这个vt是正的，或很大，vt就会称赞cross-entropy出来的梯度，并朝着这个方向梯度下降。下面有一张从karpathy大神网页下扣下来的图，也正是阐述这个思想。

接着我们就可以通过概率而不是Q value来选择我们的行为了。这里即使不采用epsilon-greedy，也具有一定的随机性。

1    def choose_action(self, observation):
2        prob_weights = self.sess.run(self.all_act_prob, feed_dict={self.tf_obs: observation[np.newaxis, :]})
3        action = np.random.choice(range(prob_weights.shape[1]), p=prob_weights.ravel())  # 直接根据概率来选action
4        return action

选择完行为就可以存储回合了，就是把这一步的observation，action，reward加到列表中去。因为本回合完毕之后要清空列表，然后存储下一回合的数据，我们会在learn()当中清空列表的动作。

1    def store_transition(self, s, a, r):
2        self.ep_obs.append(s)
3        self.ep_as.append(a)
4        self.ep_rs.append(r)

这次的learn()很简单。首先我们要对本回合所有的reward动下手脚，使他变得更适合被学习。第一就是随着时间推进，用gamma衰减未来的reward，然后为了一定程度下减少policy gradient回合方差，我们标准化回合的state-action value，依据在Andrej Karpathy的blog

 1    def learn(self):
 2        # discount and normalize episode reward
 3        discounted_ep_rs_norm = self._discount_and_norm_rewards()
 4
 5        # train on episode
 6        self.sess.run(self.train_op, feed_dict={
 7             self.tf_obs: np.vstack(self.ep_obs),  # shape=[None, n_obs]
 8             self.tf_acts: np.array(self.ep_as),  # shape=[None, ]
 9             self.tf_vt: discounted_ep_rs_norm,  # shape=[None, ]
10        })
11
12        self.ep_obs, self.ep_as, self.ep_rs = [], [], []    # 清空回合的数据
13        return discounted_ep_rs_norm
14
15    def _discount_and_norm_rewards(self):
16        # discount episode rewards
17        discounted_ep_rs = np.zeros_like(self.ep_rs)
18        running_add = 0
19        for t in reversed(range(0, len(self.ep_rs))):
20            running_add = running_add * self.gamma + self.ep_rs[t]
21            discounted_ep_rs[t] = running_add
22
23        # normalize episode rewards
24        discounted_ep_rs -= np.mean(discounted_ep_rs)
25        discounted_ep_rs /= np.std(discounted_ep_rs)
26        return discounted_ep_rs

3. 结果分析

我们来看看vt的输出，看看他是怎么诱导我们的gradient descent。

可以看出，左边一段的vt有较高的值，右边较低，这就是vt在说：

“对于回合开始的一些列动作，因为前面一段时间杆子还没有掉下来，所以要重视；对于后面的动作，因为他们让杆子掉下来了，所以要惩罚”或者是

“我每次都想让这个动作在下一次增加被做的可能性（gra(log(Policy))）,但是增加可能性的这种做法是好还是坏呢？这就要由vt告诉我了，所以后段时间的增加可能性做法并没有被提倡，而前段时间的增加可能性做法是被提倡的”

这样vt就能在这里loss = tf.reduce_mean(log_prob * self.tf_vt)诱导gradient descent朝着正确的方向发展了。

而MountainCar中的vt长这样：

这是在说：”请重视我这回合最后的一系列动作，因为这一系列动作让我爬上了山，而且请惩罚我开始的一系列动作，因为这些动作让我没能爬上山“

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：2019-07-26，如有侵权请联系 cloudcommunity@tencent.com 删除

编程算法

神经网络

本文分享自计算机视觉漫谈微信公众号，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！

编程算法

神经网络

登录后参与评论

0 条评论

热度