李宏毅机器学习2023HW12—Reinforcement Learning强化学习

ops/2024/9/22 16:09:02/

文章目录

  • Task
  • Baseline
    • Simple
    • Medium Baseline—Policy Gradient
    • Strong Baseline——Actor-Critic
    • Boss Baseline—Mask

Task

实现深度强化学习方法:

  • Policy Gradient
  • Actor-Critic

环境:月球着陆器

Baseline

Simple

定义优势函数(Advantage function)为执行完action之后直到结束每一步的reward累加,即:
A 1 = R 1 = r 1 + r 2 + . . . . + r T , A 2 = R 2 = r 2 + r 3 + . . . + r T , . . . A T = R T = r T A_1=R_1=r_1+r_2+....+r_T,\\ A_2=R_2=r_2+r_3+...+r_T,\\ ...\\ A_T=R_T=r_T A1=R1=r1+r2+....+rT,A2=R2=r2+r3+...+rT,...AT=RT=rT
其中, R R R为动作状态值函数, r i r_i ri为执行完动作 a i a_i ai得到的reward

for episode in range(EPISODE_PER_BATCH):state = env.reset()total_reward, total_step = 0, 0seq_rewards = []while True:action, log_prob = agent.sample(state) # at, log(at|st)next_state, reward, done, _ = env.step(action)log_probs.append(log_prob) # [log(a1|s1), log(a2|s2), ...., log(at|st)]# seq_rewards.append(reward)state = next_statetotal_reward += rewardtotal_step += 1rewards.append(reward) # change hereif done:final_rewards.append(reward)total_rewards.append(total_reward)break

Medium Baseline—Policy Gradient

第二个版本的cumulated reward,把离a1比较近的的reward给比较大的权重,比较远的给比较小的权重,如下:
A 1 = R 1 = r 1 + γ r 2 + . . . . + γ T − 1 r T , A 2 = R 2 = r 2 + γ r 3 + . . . + γ T − 2 r T , . . . A T = R T = r T A_1=R_1=r_1+\gamma r_2+....+\gamma ^{T-1} r_T,\\ A_2=R_2=r_2+\gamma r_3+...+\gamma ^{T-2} r_T,\\ ...\\ A_T=R_T=r_T A1=R1=r1+γr2+....+γT1rT,A2=R2=r2+γr3+...+γT2rT,...AT=RT=rT
在这里插入图片描述

# Take a state input and generate a probability distribution of an action through a series of Fully Connected Layers
class PolicyGradientNetwork(nn.Module):def __init__(self):super().__init__()self.fc1 = nn.Linear(8, 16)self.fc2 = nn.Linear(16, 16)self.fc3 = nn.Linear(16, 4)def forward(self, state):hid = torch.tanh(self.fc1(state))hid = torch.tanh(hid)return F.softmax(self.fc3(hid), dim=-1)
      while True:action, log_prob = agent.sample(state) # at, log(at|st)next_state, reward, done, _ = env.step(action)log_probs.append(log_prob) # [log(a1|s1), log(a2|s2), ...., log(at|st)]seq_rewards.append(reward) # r1, r2, ...., rtstate = next_statetotal_reward += rewardtotal_step += 1 # total_step in each episode is different# rewards.append(reward) # change here# ! IMPORTANT !# Current reward implementation: immediate reward,  given action_list : a1, a2, a3 ......#                                                         rewards :     r1, r2 ,r3 ......# medium:change "rewards" to accumulative decaying reward, given action_list : a1,                           a2,                           a3, ......#                                                           rewards :           r1+0.99*r2+0.99^2*r3+......, r2+0.99*r3+0.99^2*r4+...... ,  r3+0.99*r4+0.99^2*r5+ ......if done: # done is return by environment, true means current episode is donefinal_rewards.append(reward) # final step rewardtotal_rewards.append(total_reward) # total reward of this episode# calculate accumulative decaying rewarddiscounted_rewards = []R = 0for r in reversed(seq_rewards):R = r + rate * Rdiscounted_rewards.insert(0, R)rewards.extend(discounted_rewards)break

Strong Baseline——Actor-Critic

在这里插入图片描述Actor-Critic 算法中,ActorCritic 的损失函数主要基于策略梯度方法(用于更新 Actor 网络)以及价值函数(用于更新 Critic 网络)。这两部分的损失分别由策略的 Advantage 估计和状态价值的误差构成。

Actor 网络的目标是通过 策略梯度(Policy Gradient) 方法,最大化预期的累计奖励 $ \mathbb{E} [R] $。为此,损失函数通常为负的 log 概率乘以 Advantage(优势函数),该优势函数描述了当前策略执行动作的好坏程度。
L Actor = − E π [ log ⁡ ( π ( a ∣ s ) ) ⋅ A ( s , a ) ] L_{\text{Actor}} = -\mathbb{E}_{\pi} [\log(\pi(a|s)) \cdot A(s, a)] LActor=Eπ[log(π(as))A(s,a)]

其中:

  • log ⁡ ( π ( a ∣ s ) ) \log(\pi(a|s)) log(π(as)) :是状态 ( s ) 下选择动作 ( a ) 的 log 概率。
  • $ A(s, a) :是 ∗ ∗ A d v a n t a g e ∗ ∗ ,代表实际收益与 C r i t i c 估计的差距,定义为: :是 **Advantage**,代表实际收益与 Critic 估计的差距,定义为: :是Advantage,代表实际收益与Critic估计的差距,定义为:A(s, a) = r + \gamma V(s)_{t+1} - V(s)_t$
    其中:
    • r r r :当前动作的即时奖励。
    • $\gamma $:折扣因子,用于考虑未来奖励的权重。
    • V ( s ) t + 1 V(s)_{t+1} V(s)t+1:下一个状态的价值估计。
    • $V(s)_t $:当前状态的价值估计。

因此,Actor 损失函数的整体公式为:
L Actor = − ∑ i = 1 T log ⁡ ( π ( a ∣ s ) ) ⋅ A ( s , a ) = − ∑ i = 1 T log ⁡ ( π ( a ∣ s ) ) ⋅ ( r + γ V ( s ′ ) − V ( s ) ) L_{\text{Actor}} =-\sum{ ^T _{i=1}} \log(\pi(a|s)) \cdot A(s,a)= -\sum { ^T _{i=1}}\log(\pi(a|s)) \cdot (r + \gamma V(s') - V(s)) LActor=i=1Tlog(π(as))A(s,a)=i=1Tlog(π(as))(r+γV(s)V(s))

2. Critic 损失公式

Critic 网络的目标是尽可能精确地估计状态的价值 ($ V(s) $),所以我们使用 价值误差 作为 Critic 损失。常用的损失函数是 均方误差(Mean Squared Error, MSE) 或者 平滑 L1 损失

Critic 的损失函数可以写为:
L Critic = E [ ( V ( s ) t − ( r + γ V ( s ) t + 1 ) ) 2 ] L_{\text{Critic}} = \mathbb{E} \left[ \left( V(s)_t - \left( r + \gamma V(s)_{t+1} \right) \right)^2 \right] LCritic=E[(V(s)t(r+γV(s)t+1))2]

也就是说,Critic 通过最小化 ( V ( s ) t V(s)_t V(s)t) 和 ( r + γ V ( s ) t + 1 r + \gamma V(s)_{t+1} r+γV(s)t+1 ) 之间的误差,来提高状态价值的估计。

在使用 平滑 L1 损失 的情况下,公式为: L Critic = smooth_l1_loss ( V ( s ) t , r + γ V ( s ) t + 1 ) L_{\text{Critic}} = \text{smooth\_l1\_loss}(V(s)_t, r + \gamma V(s)_{t+1}) LCritic=smooth_l1_loss(V(s)t,r+γV(s)t+1).平滑 L1 损失 比均方误差对异常值更具鲁棒性。

from torch.optim.lr_scheduler import StepLR
class ActorCritic(nn.Module):def __init__(self):super().__init__()self.fc = nn.Sequential(nn.Linear(8, 16),nn.Tanh(),nn.Linear(16, 16),nn.Tanh())self.actor = nn.Linear(16, 4)self.critic = nn.Linear(16, 1)self.values = []self.optimizer = optim.SGD(self.parameters(), lr=0.001)def forward(self, state):hid = self.fc(state)self.values.append(self.critic(hid).squeeze(-1))return F.softmax(self.actor(hid), dim=-1)def learn(self, log_probs, rewards):values = torch.stack(self.values)loss = (-log_probs * (rewards - values.detach())).sum() + F.smooth_l1_loss(values, rewards)self.optimizer.zero_grad()loss.backward()self.optimizer.step()self.values = []def sample(self, state):action_prob = self(torch.FloatTensor(state))action_dist = Categorical(action_prob)action = action_dist.sample()log_prob = action_dist.log_prob(action)return action.item(), log_prob

Boss Baseline—Mask

Mask 蒙版(Mask) 和 Rate(折扣因子) 解释**

  • Mask

mask 是一个 蒙版向量,用于过滤掉无效的或不需要考虑的状态值或奖励。这通常在处理 序列数据 或者 部分状态无效的任务 时很有用。例如,在某些环境中,某些时间步的奖励可能不可用,或这些时间步不需要计入学习。

通过 mask,我们可以有选择性地忽略某些状态或动作:
A ( s , a ) = r + γ ⋅ mask ⋅ V ( s ) t + 1 − V ( s ) + t A(s, a) = r + \gamma \cdot \text{mask} \cdot V(s)_{t+1} - V(s)+t A(s,a)=r+γmaskV(s)t+1V(s)+t

  • Rate (折扣因子 ( γ \gamma γ ))

rate 也就是折扣因子 ( γ \gamma γ ),用于对未来奖励进行折现。它的作用是 平衡即时奖励与长期奖励。折扣因子 ( γ \gamma γ ) 的取值范围通常在 ( $[0, 1] $),当 ( γ = 0 \gamma = 0 γ=0 ) 时,表示完全只关注即时奖励;当 ($ \gamma \to 1 $) 时,表示对长期奖励的重视程度增加。

因此,完整的 Advantage 函数(带有蒙版和折扣因子的形式)是:
A ( s , a ) = r + γ ⋅ mask ⋅ V ( s ) t + 1 − V ( s ) t A(s, a) = r + \gamma \cdot \text{mask} \cdot V(s)_{t+1} - V(s)_t A(s,a)=r+γmaskV(s)t+1V(s)t

完整的损失函数公式()

  1. Actor 损失公式:
    L Actor = − ∑ i = 1 T log ⁡ ( π ( a ∣ s ) ) ⋅ ( r + γ ⋅ mask ⋅ V ( s ) t + 1 − V ( s ) t ) L_{\text{Actor}} = -\sum{ ^T _{i=1}} \log(\pi(a|s)) \cdot \left( r + \gamma \cdot \text{mask} \cdot V(s)_{t+1} - V(s)_t \right) LActor=i=1Tlog(π(as))(r+γmaskV(s)t+1V(s)t)

  2. Critic 损失公式:
    L Critic = smooth_l1_loss ( V ( s ) t , r + γ ⋅ mask ⋅ V ( s ) t + 1 ) L_{\text{Critic}} = \text{smooth\_l1\_loss}\left( V(s)_t, r + \gamma \cdot \text{mask} \cdot V(s)_{t+1} \right) LCritic=smooth_l1_loss(V(s)t,r+γmaskV(s)t+1)

from torch.optim.lr_scheduler import StepLR
class ActorCritic(nn.Module):def __init__(self):super().__init__()self.fc = nn.Sequential(nn.Linear(8, 16),nn.Tanh(),nn.Linear(16, 16),nn.Tanh())self.actor = nn.Linear(16, 4)self.critic = nn.Linear(16, 1)self.values = []self.optimizer = optim.SGD(self.parameters(), lr=0.001)self.scheduler = optim.lr_scheduler.CyclicLR(self.optimizer, base_lr=2e-4, max_lr=2e-3, step_size_up=10, mode='triangular2')def forward(self, state):hid = self.fc(state)self.values.append(self.critic(hid).squeeze(-1))return F.softmax(self.actor(hid), dim=-1)def learn(self, log_probs, rewards, mask, rate):values = torch.stack(self.values)advantage = rewards + rate* mask * torch.cat([values[1:], torch.zeros(1)]) - valuesloss = (-log_probs * (advantage.detach())).sum() + \F.smooth_l1_loss(advantage, torch.zeros(len(advantage)))self.optimizer.zero_grad()loss.backward()self.optimizer.step()self.scheduler.step()self.values = []def sample(self, state):action_prob = self(torch.FloatTensor(state))action_dist = Categorical(action_prob)action = action_dist.sample()log_prob = action_dist.log_prob(action)return action.item(), log_prob
while True:action, log_prob = agent.sample(state) # at, log(at|st)next_state, reward, done, _ = env.step(action)log_probs.append(log_prob) # [log(a1|s1), log(a2|s2), ...., log(at|st)]seq_rewards.append(reward)state = next_statetotal_reward += rewardtotal_step += 1if done:final_rewards.append(reward)total_rewards.append(total_reward)rewards += seq_rewardsmask += [1]*len(seq_rewards)mask[-1] = 0break

http://www.ppmy.cn/ops/114313.html

相关文章

关于wordPress中的用户登录注册等问题

前言 大家在做类似的功能的时候,有没有相关的疑问。那就是我都已经选择好了相应的主题和模版,但是为什么都没有用户注册和用户登录的页面存在呢? WordPress默认情况下不提供用户注册和登录功能的原因是它最初是作为一个博客平台开发的&…

二分算法——优选算法

个人主页:敲上瘾-CSDN博客 个人专栏:游戏、数据结构、c语言基础、c学习、算法 本章我们来学习的是二分查找算法,二分算法的应用非常广泛,不仅限于数组查找,还可以用于解决各种搜索问题、查找极值问题等。在数据结构和算…

完整版:NacosDocker 安装

第一步:先直接通过命令安装 Nacos docker run --name nacos2.2.3 -d -p 8848:8848 -e MODEstandalone f151dab7a111 第二步:创建 Docker 挂载目录 # 创建 log 目录 mkdir -p /root/nacos 第三步:将 Docker 容器的文件复制到挂载目录中 …

剖解反转链表

剖解反转链表 思路: 1.若链表为空或者只存在一个节点,就无需反转,直接返回head 2.若存在多个节点 首先将head.next给到cur,并将head.next置为null 剩余的节点就利用头插法,反转链表 class Solution {public ListNo…

SpringBoot 更改启动图标

每次springboot开启时,开会显示spring的图标,这个图标是可以修改的。 一、原始的图标样式 二、修改图标样式 https://patorjk.com/software/taag/#pdisplay&fGraffiti&thttps://patorjk.com/software/taag/#pdisplay&fGraffiti&t 在…

Day 9:1306 跳跃游戏III

1306 跳跃游戏III 1. 题目描述2. 解题思路3. 代码实现(DFS)4. 代码实现(BFS) 1. 题目描述 1306 跳跃游戏III 2. 解题思路 使用dfs或bfs的思想来进行遍历;使用used数组来表示当前位置是否被访问过。 3. 代码实现(DFS) class Solution { public:bool canReach(vector<int…

PostgreSQL维护——解决索引膨胀和数据死行

注意&#xff1a; 本文内容于 2024-09-16 00:40:33 创建&#xff0c;可能不会在此平台上进行更新。如果您希望查看最新版本或更多相关内容&#xff0c;请访问原文地址&#xff1a;PostgreSQL维护——解决索引膨胀和数据死行。感谢您的关注与支持&#xff01; 我有一张表&#…

特殊类的设计与类型转换

特殊类的设计 1.请设计一个不能被拷贝的类 拷贝只会放生在两个场景中&#xff1a;拷贝构造函数以及赋值运算符重载&#xff0c;因此想要让一个类禁止拷贝&#xff0c;只需让该类不能调用拷贝构造函数以及赋值运算符重载即可。 C98 C98是怎么设计的呢&#xff1f; class Cop…