强化学习-学习笔记2 | 价值学习

Value-Based Reinforcement Learning : 价值学习

2. 价值学习

2.1 Deep Q-Network DQN

其实就是用一个神经网络来近似 \(Q*\) 函数。

agent 的目标是打赢游戏，如果用强化学习的语言来讲，就是在游戏结束的时候拿到的奖励总和 Rewards 越大越好。

a. Q-star Function

问题：假设知道了 \(Q^*(s,a)\) 函数，哪个是最好的动作？

显然，最好的动作是\(a^* = \mathop{argmax}\limits_{a}Q^*(s,a)\) ，

\(Q^*(s,a)\)可以给每个动作打分，就像一个先知，能告诉你每个动作带来的平均回报，选平均回报最高的那个动作。

但事实是，每个人都无法预测未来，我们并不知道\(Q^*(s,a)\)。而价值学习就在于学习出一个函数来近似\(Q^*(s,a)\) 作决策。

  • 解决：Deep Q-network(DQN)，即用一个神经网络 \(Q(s,a;w)\)来近似 \(Q^*(s,a)\) 函数。
  • 神经网络参数是 w ，输入是状态 s，输出是对所有可能动作的打分，每一个动作对应一个分数。
  • 通过奖励来学习这个神经网络，这个网络给动作的打分就会逐渐改进，越来越精准
  • 玩上几百万次超级玛丽，就能训练出一个先知。

b. Example

对于不同的案例，DQN 的结构会不一样。

如果是玩超级玛丽

  • 屏幕画面作为输入
  • 用一个卷积层把图片变成特征向量
  • 最后用几个全连接层把特征映射到一个输出的向量
  • 输出的向量就是对动作的打分，向量每一个元素对应一个动作的分值，agent 会选择分值最大的方向进行动作。

c. 用 DQN 打游戏

DQN 的具体执行过程如下：

分步解释：

  • $ s_t \rightarrow a_t$：当前观测到状态 \(s_t\)，用公式 $ a_t=\mathop{argmax}\limits_{a}Q^*(s,a)$ 把 \(s_t\) 作为输入，给所有动作打分，选出分数最高的动作 \(a_t\) 。
  • agent 执行 \(a_t\) 这个动作后，环境会改变状态，用状态转移函数 \(p(\cdot|s_t,a_t)\) 随机抽样得出一个新状态 \(s_{t+1}\)。
  • 环境还会告诉这一步的奖励 \(r_t\) ，奖励就是强化学习中的监督信号，DQN靠这些奖励来训练。
  • 有了新的状态 \(s_{t+1}\)，DQN 继续对所有动作打分，agent 选择分数最高动作 \(a_{t+1}\)。
  • 执行 \(a_{t+1}\) 后，环境会再更新一个状态 \(s_{t+2}\)，给出一个奖励 \(r_{t+1}\)。
  • 然后不断循环往复，直到游戏结束

2.2 TD 学习

如何训练 DQN ？最常使用的是 Temporal Difference Learning。TD学习的原理可以用下面这个例子来展示：

a. 案例分析

要开车从纽约到亚特兰大，有一个模型\(Q(w)\)预测出开车出行的开销是1000分钟。这个预测可能不准，需要更多的人提供数据来训练模型使得预测更准。

  1. 问题：需要怎样的数据？如何更新模型。

  • 出发之前让模型做一个预测，记作\(q\)，\(q=Q(w)\)，比如\(q=1000\)。到了目的地，发现其实只用了860分钟，获取真实值 \(y=860\)。

  • 实际值\(y\)与预测值\(q\)有偏差，这就造成了 loss 损失

  • loss 定义为实际值与预测值的平方差：\(L=\frac{1}{2}(q-y)^2\)

  • 对损失 \(L\)关于参数\(w\)求导并用链式法则展开：

    \(\frac{\partial L}{\partial w} = \frac{\partial q}{\partial w} \cdot \frac{\partial L}{\partial q} =(q-y)\cdot\frac{\partial Q(w)}{\partial w}\)

  • 梯度求出来了，可以用梯度下降来更新模型参数 w ：\(w_{t+1} = w_t - \alpha \cdot \frac{\partial L}{\partial w} \vert _{w=w_t}\)

缺点：这种算法比较 naive，因为要完成整个旅程才能完成对模型做一次更新。

那么问题来了：假如不完成整个旅行，能否完成对模型的更新？

可以用 TD 的思想来考虑这件事情。比如我们中途路过 DC 不走了，没去亚特兰大，可以用 TD 算法完成对模型的更新，即

  • 出发前预测：NYC -> Atlanta 要花1000分钟，这是预测值。

    到了 DC 时，发现用了 300 分钟，这是真实观测值，尽管它是针对于部分的。

  • 模型这时候又告知，DC -> Atlanta 要花 600 分钟。

  • 模型原本预测：$Q(w) = 1000 $，而到 DC 的新预测：300 + 600 = 900，这个新的 900 估值就叫 TD target 。

    这些名词要记住，后面会反复使用，TD target 是使用了 TD算法的道德整体预测值。

  • TD target \(y=900\)虽然也是个估计预测值，但是比最初的 1000 分钟更可靠，因为有事实成分。

  • 把 TD target \(y\) 就当作真实值：\(L = \frac{1}{2}(Q(w)-y)^2\), 其中$Q(w) - y $称为TD error。

  • 求导：\(\frac{\partial L}{\partial w} =(1000-900)\cdot\frac{\partial Q(w)}{\partial w}\)

  • 梯度下降更新模型参数 w ：\(w_{t+1} = w_t - \alpha \cdot \frac{\partial L}{\partial w} \vert _{w=w_t}\)

b. 算法原理

换个角度来想，TD 的过程就是这样子的：

模型预测 NYC -> Atlanta = 1000, DC -> Atlanta = 600，两者差为400，也就是NYC -> DC = 400，但实际只花了300分钟预计时间与真实时间之间的差就是TD error：\(\delta = 400-300 = 100\)。

TD 算法目标在于让 TD error 尽量接近 0 。

即我们用部分的真实 修改 部分的预测，而使得整体的预测更加接近真实。我们可以通过反复校准 可知的这部分真实 来接近我们的理想情况。

c. 用于 DQN

(1) 公式引入

上述例子中有这样一个公式：$T_{NYC\rightarrow ATL} \approx T_{NYC\rightarrow DC} + T_{DC\rightarrow ATL} $

想要用 TD 算法，就必须要用类似这样的公式，等式左边有一项，右边有两项，其中有一项是真实观测到的。

而在此之前，在深度强化学习中也有一个这样的公式：\(Q(s_t,a_t;w)=r_t+\gamma \cdot Q(s_{t+1},a_{t+1};w)\)。

公式解释：

  1. 左边是 DQN 在 t 时刻做的估计，这是未来奖励总和的期望，相当于 NYC 到 ATL 的预估总时间。
  2. 右边 \(r_t\)是真实观测到的奖励，相当于 NYC 到 DC 。
  3. \(Q(s_{t+1},a_{t+1};w)\) 是 DQN 在 t+1 时刻做的估计，相当于 DC 到 ATL 的预估时间。
(2) 公式推导

为什么会有一个这样的公式？

回顾 Discounted return: \(U_t=R_t+\gamma R_{t+1}+\gamma^2 R_{t+2}+\gamma^3 R_{t+3}+\cdots\)

提出 \(\gamma\) 就得到 $ = R_t + \gamma(R_{t+1}+ \gamma R_{t+2}+ \gamma^2 R_{t+3}+\cdots) $

后面这些项就可以写成\(U_{t+1}\),即 \(=R_t+\gamma U_{t+1}\)

这样就得到：\(U_t = R_t + \gamma \cdot U_{t+1}\)

直观上讲，这就是相邻两个折扣算法的数学关系。

(3) 应用过程

现在要把 TD 算法用到 DQN 上

  • t 时刻 DQN 输出的值 \(Q(s_t,a_t; w)\) 是对 \(U_t\) 作出的估计 \(\mathbb{E}[U_t]\)，类似于 NYC 到 ATL 的预估总时间。
  • 下一时刻 DQN 输出的值 \(Q(s_{t+1},a_{t+1}; w)\) 是对 \(U_{t+1}\) 作出的估计 \(\mathbb{E}[U_{t+1}]\)，类似于 DC 到 ATL 的第二段预估时间。
  • 由于 \(U_t = R_t + \gamma \cdot U_{t+1}\)
  • 所以 \(\underbrace{Q(s_t,a_t; w) }_{\approx\mathbb{E}[U_t]}\approx \mathbb{E}[R_t+\gamma \cdot \underbrace{Q(s_{t+1},a_{t+1}; w)}_{\approx\mathbb{E}[U_{t+1}]}]\)
  • \(\underbrace{Q(s_t,a_t;w)}_{prediction}=\underbrace{r_t+\gamma \cdot Q(s_{t+1},a_{t+1};w)}_{TD\ \ target}\)

有了 prediction 和 TD target ，就可以更新 DQN 的模型参数了。

  • t 时刻模型做出预测 \(Q(s_t,a_t;w_t)\)；

  • 到了 t+1时刻，观测到了真实奖励 \(r_t\) 以及新的状态 \(s_{t+1}\)，然后算出新的动作 \(a_{t+1}\)。

  • 这时候可以计算 TD target 记作 \(y_t\)，其中\(y_t=r_t+\gamma \cdot Q(s_{t+1},a_{t+1};w）\)

  • t+1 时刻的动作 \(a_{t+1}\)怎么算的？DQN 要对每个动作打分，取分最高的，所以等于Q 函数关于a求最大化：$ y_t = r_t + \gamma \cdot \mathop{max}\limits_{a} Q(s_{t+1},a;w_t）$

  • 我们希望预测\(Q(s_{t},a_{t};w)\)尽可能接近 TD target \(y_t\) ，所以我们把两者之差作为 Loss :

    \(L_t=\frac{1}{2}[Q(s_{t},a_{t};w)-y_t]^2\)

  • 做梯度下降：\(w_{t+1} = w_t - \alpha \cdot \frac{\partial L}{\partial w} \vert _{w=w_t}\)更新模型参数 w，来让 Loss 更小

2.3 总结

  1. 价值学习（本讲是DQN）基于最优动作价值函数 Q-star ：

    \(Q^*(s_t,a_t) = \mathbb{E}[U_t|S_t=s_t,A_t=a_t]\)

    对 \(U_t\) 求期望，能对每个动作打分，反映每个动作好坏程度，用这个函数来控制agent。

  2. DQN 就是用一个神经网络\(Q(s,a;w)\)来近似$Q^*(s,a) $

    1. 神经网络参数是 w ，输入是 agent 的状态 s
    2. 输出是对所有可能动作 $ a \in A$ 的打分

  3. TD 算法过程

    1. 观测当前状态 $S_t = s_t $ 和已经执行的动作 \(A_t = a_t\)

    2. 用 DQN 做一次计算，输入是状态 \(s_t\)，输出是对动作 \(a_t\) 的打分

      记作\(q_t\)，\(q_t = Q(s_t,a_t;w)\)

    3. 反向传播对 DQN 求导：\(d_t = \frac{\partial Q(s_t,a_t;w)}{\partial w} |_{ w=w_t}\)

    4. 由于执行了动作 \(a_t\)，环境会更新状态为 \(s_{t+1}\)，并给出奖励\(r_t\)。

    5. 求出TD target：\(y_t = r_t + \gamma \cdot \mathop{max}\limits_{a} Q(s_{t+1},a_t;w）\)

    6. 做一次梯度下降更新参数 w , \(w_{t+1} = w_t - \alpha \cdot (q_t-y_t) \cdot d_t\)

    7. 更新迭代...

x. 参考教程

posted @ 2022-07-04 18:48  climerecho  阅读(949)  评论(0)  编辑  收藏  举报