强化学习中的关键概念

作者: 博士伦2014 | 来源:发表于2018-11-15 16:49 被阅读0次

原文链接：rl_intro

1. 关键概念和术语

Agent-environment interaction loop.

RL的主要特征是agent和环境。环境是agent居住并与之互动的世界。在交互的每一步中，agent都会看到（可能是部分的）对世界状态的观察，然后决定要采取的行动。当agent对其起作用时，环境会发生变化，但也可能会自行更改。

agent还会感知来自环境的奖励信号，这个数字告诉它当前世界状态的好坏。agent的目标是最大化其累积奖励，称为回报。强化学习方法是agent可以学习行为以实现其目标的方式。

为了更具体地讨论RL可以做什么，我们需要引入其他术语：

1. 状态和观察，

2. 动作空间，

3. 策略，

4. 轨迹，

5. 不同的回报方式，

6. RL优化问题，

7. 值函数。

1 . 状态和观察

一个状态 $s$ 是世界状态的完整描述。没有关于世界隐藏的信息。一个观察 $o$ 是一种状态，其中可省略的信息的部分描述。

在DRL中，我们几乎总是通过实值向量，矩阵或高阶张量来表示状态和观察。例如，视觉观察可以由其像素值的RGB矩阵表示; 机器人的状态可以用它的关节角度和速度来表示。

当agent能够观察到环境的完整状态时，我们说完全遵守了环境。当代理人只能看到部分观察时，我们说环境是部分观察到的。

You Should Know

强化学习符号标记有时会将状态符号 $s$ 放在技术上更适合写观察符号 $o$ 的地方。具体而言，这在谈论agent如何决定动作时会发生这种情况：我们经常用符号表示动作是以状态为条件，在实践中，动作以观察为条件，因为agent无法进入状态。

2. 动作空间

不同的环境允许不同类型的动作。给定环境中的所有有效动作集通常称为动作空间。某些环境（如Atari和Go）具有离散的动作空间，其中只有有限数量的动作可用于agent。其他环境，例如代理控制物理世界中的机器人，具有连续的动作空间。在连续空间中，动作是实值向量。

这种区别对深度RL中的方法有一些非常深刻的影响。一些算法系列只能直接应用于一种情况，并且必须对另一种情况进行大量重写。

3 . 策略

一个策略是使用agent来决定采取何种动作的规则。它可以是确定性的，在这种情况下，它通常表示为 $\mu$ ：

$a_t = \mu(s_t)$

或者它可能是随机的，在这种情况下它通常表示为 $\pi$ :

$a_t \sim \pi(\cdot | s_t)。$

由于该策略本质上是agent的大脑，因此将“策略”一词替换为“agent”并不常见，例如说“策略试图最大化奖励”。

在深度RL中，我们处理参数化策略：其输出是可计算函数的策略，这些函数依赖于一组参数（例如神经网络的权重和偏差），我们可以调整这些参数以通过某种优化算法改变行为。我们经常用 $\theta$ 或表示这种策略的参数 $\phi$ ，然后将其写为策略符号的下标以突出显示连接：

$a_t= \mu _ {\theta}(s_t)\\a_t\sim \pi _ {\theta}(\cdot | s_t)$

3.1 确定性策略

以下是用于在Tensorflow中为连续操作空间构建简单确定性策略的代码段：

其中`mlp`是一个函数，它使用给定的大小和激活函数将多个密集层堆叠在一起。

3.2 随机策略

DRL中最常见的两种随机策略是categorical policies - 分类策略和diagonal Gaussian policies - 对角高斯策略。

分类策略可用于离散动作空间，而对角高斯策略用于连续动作空间。

两个关键计算对于使用和训练随机策略至关重要：

1. 从策略中抽样采取行动，

2. 并计算特定动作的对数可能性(log likelihoods) $\log \pi_{\theta}(a|s)$

下面介绍如何对分类和对角高斯策略执行这些操作

3.2.1 分类策略

分类策略就像离散动作的分类器。你为分类策略构建神经网络的方式与分类器相同：输入是观察，后面跟着一些层（可能是卷积或密集连接，取决于输入的类型），然后你有最后一个线性层，为你提供每个动作的logits，然后是softmax，将logits转换为概率。

Sampling 考虑到每个动作的可能性，Tensorflow等框架具有内置的抽样工具。例如，请参阅tf.distributions.Categorical文档或tf.multinomial。

Log-Likelihood 将最后一层概率表示为 $P_{\theta}(s)$ 。它是一个带有多个条目的向量，因为有动作，所以我们可以将动作视为向量的索引。然后可以通过索引到向量来获得动作 $a$ 的对数似然：

$\log \pi_{\theta}(a|s) = \log \left[P_{\theta}(s)\right]_a.$

3.2.2 对角高斯策略

多变量高斯分布（或多变量正态分布）由平均向量 $\mu$ ，和协方差矩阵 $\Sigma$ 描述。对角高斯分布是协方差矩阵仅在对角线上具有元素的特殊情况。结果，我们可以用矢量来表示它。

对角高斯策略总是有一个神经网络，从观察到平均动作映射， $\mu_{\theta}(s)$ 。通常表示协方差矩阵有两种不同的方式。

第一种方式：有一个对数标准偏差向量， $\log \sigma$ ，它不是状态函数： $\log \sigma$ 是独立参（VPG，TRPO和PPO的实现方式是这样做的）

第二种方式：有一个神经网络从状态映射到对数标准偏差， $\log \sigma_{\theta}(s)$ 。它可以选择与平均网络共享一些层。

请注意，在这两种情况下，我们都直接输出对数标准偏差而不是标准偏差。这是因为log stds可以自由地接受 $(-\infty, \infty)$ 中的任何值，而stds必须是非负的。如果你不必执行这些类型的约束，则更容易训练参数。标准偏差可以通过取幂来立即从对数标准偏差中获得，因此我们不会通过这种方式表示它们而失去任何东西。

Sampling. 给定平均动作 $\mu_{\theta}(s)$ 和标准偏差 $\sigma_{\theta}(s)$ , 以及来自球形高斯 $(z \sim \mathcal{N}(0, I))$ 的噪声矢量 $z$ , 可以计算动作样本

$a = \mu_{\theta}(s) + \sigma_{\theta}(s) \odot z,$

其中 $\odot$ 表示两个向量的元素乘积。标准框架具有计算噪声向量的内置方法，例如tf.random_normal。或者，你可以直接向tf.distributions.Normal对象提供均值和标准差，并使用它进行采样。

Log-Likelihood. 对于具有平均值 $\mu = \mu_{\theta}(s)$ 和标准偏差 $\sigma = \sigma_{\theta}(s)$ 的对角高斯的k-维动作 $a$ 的对数似然由下式给出：

$\log \pi_{\theta}(a|s) = -\frac{1}{2}\left(\sum_{i=1}^k \left(\frac{(a_i - \mu_i)^2}{\sigma_i^2} + 2 \log \sigma_i \right) + k \log 2\pi \right).$

4. 轨迹

轨迹 $\tau$ 是世界上一系列的状态和行为，

$\tau = (s_0, a_0, s_1, a_1, ...).$

第一个状态， $s_0$ ，是从起始状态分布中随机抽样的，有时表示为 $\rho_0$ ：

$s_0 \sim \rho_0(\cdot).$

状态转换（在时间 $t$ 的状态， $s_t$ 和 $t + 1$ 的状态， $s_ {t + 1}$ 之间的发生的事情）受环境的自然规律支配，并且仅依赖于最近的行动， $a_t$ 。它们可以是确定性的，

$s_{t+1} = f(s_t, a_t)$

或随机的，

$s_{t+1} \sim P(\cdot|s_t, a_t).$

动作由agent根据其策略产生。

You Should Know

Trajectories - 轨迹也经常被称为episodes - 剧集或 rollouts - 推出。

5 . 奖励和回报

奖励函数在强化学习中至关重要。这取决于当前的状态，刚刚采取的动作以及下一个状态：

$r_t = R(s_t, a_t, s_{t+1})$

虽然经常将其简化为仅依赖于当前状态， $r_t = R(s_t)$ ，或状态 - 动作对 $r_t = R(s_t,a_t)$ .

Agent的目标是在轨迹上最大化累积奖励的一些概念，但这实际上可能意味着一些事情。我们将用 $R(\tau)$ 来表示所有这些情况，并且它将从上下文中清楚地表明我们的意思，或者它无关紧要（因为相同的方程将适用于所有情况）。

一种回报是有限期未折现的回报，它只是在固定的步骤窗口中获得的奖励总和：

$R(\tau) = \sum_{t=0}^T r_t.$

另一种回报是无限视距折扣回报，这是所有奖励的总和以往的由代理获得，但在未来会得到怎样离谱他们打折。这种奖励制定包括折扣因子 $\gamma \in (0,1)$ ：

$R(\tau) = \sum_{t=0}^{\infty} \gamma^t r_t.$

为什么我们想要折扣因子呢？我们不想只获得所有奖励吗？我们确实想要，但折扣因子既直观在数学上又方便。从直观的角度来说：现在现金比以后更好。数学上：无限期的奖励总和可能无法收敛到有限值，并且很难在方程式中处理。但是在折扣因子和合理条件下，无限期的奖励总和可以收敛。

You Should Know

虽然这两种回报方式之间的界限在RL Formalism中非常明显，但深度RL实践往往会使线条模糊不清 - 例如，我们经常设置算法来优化未折现的回报，但在估算值函数时使用折扣因子。

6 . RL问题

无论选择何种回报指标（无论是无限折扣还是有限折扣），无论选择何种策略，RL的目标都是

选择一种策略，当agent根据它采取行动时，最大化预期回报。

在我们谈论预期回报时，我们首先要讨论轨迹-Trajectories上的概率分布

假设环境转换和策略都是随机的。在这种情况下， $T$ -step 轨迹的概率是：

$P(\tau \vert \pi )=\rho _0(s_0)\prod_{t=0}^{T-1} P(s_{t+1}\vert s_t,a_t)\pi(a_t\vert s_t)$

预期回报表示为:

RL中的中心优化问题可以表示为：

$\pi^* = \arg \max_{\pi} J(\pi),$

其中是 $\pi^*$ 最优策略

7. 值函数 - Value Functions

了解状态或者状态-动作对的值通常很有用。通过值，我们指的是如果你从该状态或状态-行动对开始的预期回报，然后永远按照特定策略行事。在几乎每种RL算法中，都以这种或那种方式使用值函数。

有四个主要的值函数：

1. On-Policy Value Function， $V^{\pi}(s)$ , 如果你从状态s开始并且总是根据策略 $\pi$ 行动，它会给出预期的回报：

2. On-Policy Action-Value Function, $Q^{\pi}(s,a)$ , 如果你从状态s开始，采取任意动作 a（可能不是来自策略），然后永远根据策略 $\pi$ 行事,则给出预期的回报：

3. Optimal Value Function , $V^{*}(s)$ , 如果你从状态s开始并且始终根据环境中的最优策略采取动作，则给出预期的回报：

4. Optimal Action-Value Function， $Q^{*}(s,a)$ ，如果你从状态s开始，采取任意行动a，然后永远根据环境中的最优策略行动，则给出预期的回报：

You Should Know

值函数和动作值函数之间有两个关键连接经常出现：

和

$V^*(s) = \max_a Q^* (s,a).$

这些关系直接来自刚刚给出的定义：你能证明它们吗？

7.1 最优Q函数和最优动作

最优动作值函数 $Q^{*}(s,a)$ 与最优策略 $\pi^{*}$ 选择的行动之间存在重要联系。根据定义， $Q^{*}(s,a)$ 给出了从状态s开始，采取（任意）动作a，然后永久地根据最优策略行动的预期回报。

在状态s的最优策略将选择从状态s开始最大化预期回报的动作。结果就是，如果我们有 $Q ^ *$ ，我们可以直接获得最优动作 $a ^ *(s)$ ，通过下式：

$a^*(s) = \arg \max_a Q^* (s,a).$

注意：可能存在多个最大化的动作 $Q^{*}(s,a)$ ，在这种情况下，所有动作都是最优的，并且最优策略可以随机选择它们中的任何一个。但总有一种确定性地选择动作的最优策略。

7.2 贝尔曼方程

所有四个值函数都遵循称为Bellman方程的特殊自洽方程。Bellman方程背后的基本思想是：

你的出发点的值是你期望从那里获得的奖励，加上你下次到达的点的值。

on-policy value functions （值函数）的Bellman方程是

其中 $s^{\prime} \sim P$ 是 $s^{\prime} \sim P(\cdot |s,a)$ 的缩写，表示从环境的转换规则中采样下一个状态 $s^{\prime}$ ;

$a \sim \pi$ 是 $a \sim \pi(\cdot |s)$ 的缩写， $a^{\prime} \sim\pi$ 是 $a^{\prime} \sim\pi(\cdot |s^{\prime})$ 的缩写

最优值函数的Bellman方程是

关于on-policy 值函数的Bellman方程与最优值函数之间的关键区别在于：max动作的存在或不存在。它的包含反映了这样一个事实，即每当agent选择其行动时，为了表现最优，它必须选择导致最高值的行动。

You Should Know

在RL文献中，术语“Bellman backup”经常出现。状态或状态 - 动作对的Bellman backup是Bellman方程的右侧：奖励加下一个值。

7. 3 优势函数 - Advantage Functions

有时候在RL中，我们不需要描述一个绝对意义上的行为有多好，而只需要比其他人平均好多少。也就是说，我们想知道该行动的相对优势。我们通过优势函数使这个概念精确。

对应于策略 $\pi$ 的优势函数描述了根据 $\pi(\cdot |s)$ 随机选择一个动作，在状态s中采取特定动作的好坏程度，假设你之后永远按照 $\pi$ 行动。在数学上，优势函数定义如下：

$A^{\pi}(s,a) = Q^{\pi}(s,a) - V^{\pi}(s).$

You Should Know

优势函数对于策略梯度方法至关重要。

7. 4 Formalism

到目前为止，我们已经以非正式的方式讨论了agent的环境，但是如果你试图深入研究文献，那么你可能会遇到这种设置的标准数学形式：马尔可夫决策过程（MDP）。MDP是一个5元组

$\langle S，A，R，P，\rho_0 \rangle$ ，其中

1. $S$ 是所有有效状态的集合，

2. $A$ 是所有有效行动的集合，

3. $R: S \times A \times S \to \mathbb{R}$ 是奖励函数，其中 $r_t = R(s_t, a_t, s_{t+1})$ ，

4. $P:S \times A \to \mathcal{P}(S)$ 是转移概率函数，如果你从状态s开始并采取动作 a，

$P(s$ '| $s,a)$ 是转变为状态 s' 的概率

5. $\rho_0$ 是起始状态分布

马尔可夫决策过程这个名称指的是系统服从马尔可夫属性的事实：转换只取决于最近的状态和行动，而不是先前的历史。

强化学习中的关键概念

1. 关键概念和术语

1 . 状态和观察

2. 动作空间

3 . 策略

3.1 确定性策略

3.2 随机策略

3.2.1 分类策略

3.2.2 对角高斯策略

4. 轨迹

5 . 奖励和回报

6 . RL问题

7. 值函数 - Value Functions

You Should Know

7.1 最优Q函数和最优动作

7.2 贝尔曼方程

You Should Know

7. 3 优势函数 - Advantage Functions

You Should Know

7. 4 Formalism

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读