演员评论家政策损失归零(没有改善)

Question

我创建了一个演员评论模型来测试一些OpenAI健身房环境.但是,我在某些环境中遇到问题.

CartPole:该模型最终收敛并获得最大奖励.但是,由于某些原因,如果我只使用策略梯度方法而不是值函数/优势,它会收敛得更快.

MountainCar,Acrobot:这两个型号都有负面奖励.如果你的经纪人需要10秒来解决任务,你的奖励将是-10.出于某种原因,当我试图解决负面回报的环境时,我的政策从负值开始并慢慢收敛到0.价值损失开始荒谬地高并且开始减少,尽管它在某个时候(当政策崩溃时)处于低位.任何人都可以帮我诊断问题吗？我添加了一些带有相关情节值的日志记录语句.

from scipy.signal import lfilter
import numpy as np
import gym
import tensorflow as tf

layers = tf.keras.layers

tf.enable_eager_execution()


def discount(x, gamma):
    return lfilter([1], [1, -gamma], x[::-1], axis=0)[::-1]


def boltzmann(probs):
    return tf.multinomial(tf.log(probs), 1)


def greedy(probs):
    return tf.argmax(probs)


def gae(bval, vals, rews):
    vboot = np.hstack((vals, bval))
    return rews * vboot[1:] - vals


class PG(tf.keras.Model):

    def __init__(self, n_actions, selection_strategy=boltzmann, lr=0.001):
        super(PG, self).__init__()
        self.fc1 = layers.Dense(64, activation='relu', kernel_initializer=tf.initializers.orthogonal(1))
        self.fc2 = layers.Dense(64, activation='relu', kernel_initializer=tf.initializers.orthogonal(1))
        self.pol = layers.Dense(n_actions, kernel_initializer=tf.initializers.orthogonal(0.01))
        self.val = layers.Dense(1, kernel_initializer=tf.initializers.orthogonal(1))
        self.optimizer = tf.train.AdamOptimizer(learning_rate=lr)
        self.selection_strategy = selection_strategy


    def call(self, input):
        x = tf.constant(input, dtype=tf.float32)
        x = self.fc1(x)
        x = self.fc2(x)
        return self.pol(x), self.val(x)


    def select_action(self, logits):
        probs = tf.nn.softmax(logits)
        a = self.selection_strategy(probs)
        return tf.squeeze(a, axis=[0, 1]).numpy()


def sample(env, model):
    obs, act, rews, vals = [], [], [], []
    ob = env.reset()
    done = False

    while not done:
        # env.render()
        logits, value = model([ob])
        a = model.select_action(logits)
        value = tf.squeeze(value, axis=[0, 1])

        next_ob, r, done, _ = env.step(a)
        obs.append(ob)
        act.append(a)
        rews.append(r)
        vals.append(value.numpy())

        ob = next_ob

    return np.array(obs), np.array(act), np.array(rews), np.array(vals)


# Hyperparameters
GAMMA = 0.99
SAMPLES = 10000000
MAX_GRAD_NORM = 20
UPDATE_INTERVAL = 20


env = gym.make('MountainCar-v0')
model = PG(env.action_space.n)


for t in range(1, SAMPLES + 1):
    obs, act, rews, vals = sample(env, model)
    d_rew = discount(rews, GAMMA)
    d_rew = (d_rew - np.mean(d_rew)) / np.std(d_rew)

    advs = d_rew - vals


    with tf.GradientTape() as tape:

        logits, values = model(obs)
        values = tf.squeeze(values)
        one_hot = tf.one_hot(act, env.action_space.n, dtype=tf.float32)
        xentropy = tf.nn.softmax_cross_entropy_with_logits_v2(labels=one_hot, logits=logits)
        policy_loss = tf.reduce_mean(xentropy * advs)

        diff = d_rew - values

        value_loss = tf.reduce_mean(tf.square(diff))

        policy = tf.nn.softmax(logits)
        entropy = tf.reduce_mean(policy * tf.log(policy + 1e-20))

        total_loss = policy_loss + 0.5 * value_loss - 0.01 * entropy


    grads = tape.gradient(total_loss, model.trainable_weights)
    grads, gl_norm = tf.clip_by_global_norm(grads, MAX_GRAD_NORM)
    model.optimizer.apply_gradients(zip(grads, model.trainable_weights))


    if t % UPDATE_INTERVAL == 0 and not t is 0:
        print("BR: {0}, Len: {1}, Pol: {2:.4f}, Val: {3:.4f}, Ent: {4:.4f}"
              .format(np.sum(rews), len(rews), policy_loss, value_loss, entropy))

ER =总奖励,Len =剧集长度,Pol =政策损失,Val =价值损失,Ent =熵,Grad Norm = Gradient Norm

ER: -200.0, Len: 200, Pol: 0.0656, Val: 1.0032, Ent: -0.3661, Grad Norm: 0.0901
ER: -200.0, Len: 200, Pol: -0.0384, Val: 1.0006, Ent: -0.3640, Grad Norm: 0.1186
ER: -200.0, Len: 200, Pol: -0.0585, Val: 1.0034, Ent: -0.3605, Grad Norm: 0.0963
ER: -200.0, Len: 200, Pol: -0.0650, Val: 1.0021, Ent: -0.3595, Grad Norm: 0.1149
ER: -200.0, Len: 200, Pol: 0.0007, Val: 1.0011, Ent: -0.3581, Grad Norm: 0.0893
ER: -200.0, Len: 200, Pol: 0.0024, Val: 1.0007, Ent: -0.3556, Grad Norm: 0.0951
ER: -200.0, Len: 200, Pol: 0.0114, Val: 1.0006, Ent: -0.3529, Grad Norm: 0.0954
ER: -200.0, Len: 200, Pol: 0.0310, Val: 1.0006, Ent: -0.3493, Grad Norm: 0.1060
ER: -200.0, Len: 200, Pol: -0.0187, Val: 0.9997, Ent: -0.3449, Grad Norm: 0.1111
ER: -200.0, Len: 200, Pol: -0.0367, Val: 0.9975, Ent: -0.3348, Grad Norm: 0.1302
ER: -200.0, Len: 200, Pol: -0.0349, Val: 0.9988, Ent: -0.3250, Grad Norm: 0.0884

Answer 1

我不确定我是否能完全回答你的问题，但我会提供我的 2 美分，希望其他人能来填写剩下的！

该模型最终收敛并获得最大奖励。然而，由于某种原因，如果我只使用策略梯度方法而不是价值函数/优势，它会收敛得更快。

这是因为 CartPole 有一个非常简单的动作空间，要么向左要么向右。这个问题的解决方案非常简单，添加到系统中的非常基本的噪声就足以让系统探索其状态空间。在演员批评家方法中，需要调整更多的权重和偏差。而且由于需要调优的参数较多，训练时间也较长。

由于某种原因，当我尝试解决具有负奖励的环境时，我的策略从负值开始并慢慢收敛到 0。

xentropy = tf.nn.softmax_cross_entropy_with_logits_v2(labels=one_hot, logits=logits)
    policy_loss = tf.reduce_mean(xentropy * advs)

对于这部分，我认为实际的损失公式是

Loss = - log(policy) * Advantage

有负数的地方，例如我https://math.stackexchange.com/questions/2730874/cross-entropy-loss-in-reinforcement-learning。在你的表述中，我不确定你是否将这个负数纳入你的损失函数中。当我构建策略梯度时，我亲自编写了自己的损失函数，但也许您的 Tensorflow 函数考虑到了这一点。

至于值，一开始会有很高的损失是预料之中的，因为它本质上是在猜测最优值是多少。

一些额外的提示和技巧是对你的状态、动作、奖励和 s2 使用重播记忆。这样，你就可以解除你的轨迹的相关性，并允许“均匀”学习。如果你的状态是相关的，它往往会过度拟合你最近发生的事件。

你现在也在网上学习，这对于更困难的强化学习任务来说非常不稳定。解决这个问题的一种方法是使用上面的重播内存。另一种方法是小批量学习。我相信这就是大卫·西尔弗在他的论文中使用的方法。基本上，您想要运行许多轨迹。在每个轨迹之后，通过 TensorFlow 中的 tf.gradients 方法执行反向传播来计算策略梯度的损失。存储这些梯度，并对接下来的几个轨迹再次执行此操作。在“小批量”轨迹数量之后，您可以对所有运行中的所有梯度进行平均，然后执行梯度下降来更新参数。梯度下降的执行方式与您在代码中使用 tf.apply_gradients 方法执行的操作相同。这样做是因为环境中有很多噪声，通过模拟许多轨迹，我们的想法是，小批量的平均轨迹是一种更具概率的表示，而不是只有一个轨迹。我个人使用 64 个小批量。

为了增强您对状态空间的探索，我建议使用 Ornstein Ulhenbeck 随机过程。基本上，这是一个稳定的相关噪声系统。因为它是相关噪声，所以与使用去相关噪声（即高斯噪声）相比，它可以让您远离初始状态。因为如果使用去相关噪声，长期平均值将为 0，因为它的均值、单位方差为 0。所以本质上，如果你使用去相关噪声，你最终会回到你开始的地方。可以在这里找到一个很好的解释： https: //www.quora.com/Why-do-we-use-the-Ornstein-Uhlenbeck-Process-in-the-exploration-of-DDPG，Python 中的代码可以是在这里找到： https: //github.com/openai/baselines/blob/master/baselines/ddpg/noise.py在代码的最底部。只需简单地将这种噪音添加到您的动作中即可改善探索。

概括

您保单的损失函数标志可能不正确。要提高学习效果，网上学习疑难问题是非常辛苦的。解决此问题的两种易于实现的方法是：

• 重播记忆
• 小批量梯度下降，而不是代码中当前的随机梯度下降

为了增加稳定性，您还可以使用目标网络。目标网络的想法是，因为在初始阶段，你的权重会更新得非常快。系统中将出现一个目标网络，从而使问题成为“非移动目标”问题。目标网络的权重被冻结，因此问题是不动的，并且在每个情节之后，“真实”网络都会更新。经过 x 次迭代后，将目标网络更新为真实网络。但这需要更长的时间来实施。我首先建议的是上面两个。