策略梯度中的baseline

本文主要是介绍策略梯度中的baseline，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

策略梯度中的Baseline

Policy Gradient with Baseline

Policy Gradient

策略梯度是关于策略网络的参数求的，策略网络 π ( a ∣ s ; θ ) \pi (a|s;\theta) π(a∣s;θ)的参数是 θ \theta θ，我们使用策略网络来控制Agent做运动。状态价值函数 V π ( s ) V_{\pi}(s) Vπ(s)是动作价值函数的期望，期望是关于动作A求的，动作A的概率密度函数是 π \pi π，可以将期望等价写为连加的形式。这里期望中包含策略网络的参数 θ \theta θ，所以得到的状态价值函数 V π ( s ) V_{\pi}(s) Vπ(s)依赖于参数 θ \theta θ，策略梯度是 V π V_{\pi} Vπ关于参数 θ \theta θ的导数，也可以写为期望的形式。

在这里插入图片描述

Baseline

策略梯度方法常用Baseline来降低方差，让收敛更快，Baseline指的是一个函数b，它可以是任何东西，但是不能依赖于动作A。
证明这个期望 E A π [ b ⋅ ∂ l n π ( A ∣ s ; θ ) ∂ θ ] \mathbb{E}_{A~ \pi}[b\cdot \frac{\partial ln\pi (A|s;\theta)}{\partial \theta}] EA π[b⋅∂θ∂lnπ(A∣s;θ)]为0，可以将b提出去，将得到后的期望展开得到连加的形式，使用链式法则将导数展开，这样接可以消去一项。因为连加是关于a求的，求导是关于 θ \theta θ求的，所以可以将连加放入到求导内部，因为 π \pi π是对a的概率密度函数，所以它的连加和为1，故结果为0.
通过上面推导我们可以得到baseline的重要性质，就是它乘以策略梯度然后对A求期望，得到的期望为0

在这里插入图片描述

Policy Gradient with Baseline

上面我们得到了 E A π [ b ⋅ ∂ l n π ( A ∣ s ; θ ) ∂ θ ] = 0 \mathbb{E}_{A~ \pi}[b\cdot \frac{\partial ln\pi (A|s;\theta)}{\partial \theta}]=0 EA π[b⋅∂θ∂lnπ(A∣s;θ)]=0，使用这个性质向策略梯度中添加baseline，
之前我们得到了策略梯度为下面的等式，又因为baseline为0，所以可以减去它，使得等式仍然成立。合并我们就可以得到第二个等式，等式中包含baseline

在这里插入图片描述

这样我们就可以得到下面的定理：
- 但是我们肯定会有这样一个问题：既然b不会影响期望，那么我们加不加b有什么区别呢？实际上，在算法中我们求的不是期望，因为期望太复杂啦，我们使用的是对期望的蒙特卡洛近似，如果我们选择的b比较好，比较接近于 Q π Q_{\pi} Qπ，算法会将蒙特卡洛近似的方差降低，收敛更快。

在这里插入图片描述

Monte Carlo Approximation

我们直接求期望往往很困难，所以我们通常使用期望的蒙特卡洛近似。我们将期望中的函数记为 g ( A t ) g(A_t) g(At)，它依赖于随机变量 A t A_t At，期望是按照随机变量 A t A_t At求的，它的概率密度函数是 π \pi π，我们根据 π \pi π做随机抽样，得到一个动作 a t a_t at，然后计算 g ( a t ) g(a_t) g(at)，即为上面期望的蒙特卡洛近似， g ( a t ) g(a_t) g(at)显然是策略梯度的一个无偏估计，这是因为g关于 A t A_t At的期望为策略梯度， g a t g_{a_t} gat实际上是随机梯度，实际中我们往往用随机梯度。

在这里插入图片描述

Stochastic Policy Gradient

实际我们训练策略网络的时候，我们通常使用随机梯度上升来训练参数，使用的是 g ( a t ) g(a_t) g(at)，这样做策略梯度上升可以使得状态价值变大，也就以为着让策略变得更好。

在这里插入图片描述

在看上面 g ( a t ) g(a_t) g(at)的公式，里面有b，前面我们证明了只要b于 A t A_t At无关，那么我们就可以使得期望保持不变。虽然b不影响 g ( A t ) g(A_t) g(At)的期望，但是b影响 g ( a t ) g(a_t) g(at)，看下上面公式用不同的b可以得到不同的 g ( a t ) g(a_t) g(at)，如果我们选择的b很好，很接近 Q π Q_{\pi} Qπ，那么随机梯度方差就会小，就会让算法收敛的更快。

在这里插入图片描述

Choices of Baselines

Choice 1：b=0。也就是不用baseline，这样我们就得到了标准的策略梯度，不带baseline
Choice 2： b = V π ( s t ) b=V_{\pi}(s_t) b=Vπ(st)，因为状态 s t s_t st是先于动作被观测到的，所以它不依赖于动作。我们为啥要用这个呢？因为上面我们提到了，如果我们选择的b很好，非常的接近动作价值函数 V π V_{\pi} Vπ这样我们在用蒙特卡洛近似策略梯度的期望的时候，就可以使得方差很小，收敛更快。根据定义状态价值函数 V π V_{\pi} Vπ是动作价值函数 Q π ( s t , A t ) Q_{\pi}(s_t,A_t) Qπ(st,At)关于动作 A t A_t At的期望。作为期望显然很接近动作价值函数，所以很合适。

在这里插入图片描述

REINFORCE with Baseline

复习

在这里插入图片描述

之前我们推导出了随机策略梯度，也就是上面的公式，但是它里面还有未知项，所以我们要近似，我们可以使用观测到的值 u t u_t ut来近似 Q π ( s t , a t ) Q_{\pi}(s_t,a_t) Qπ(st,at)，这也是蒙特卡洛近似，这个算法就是REINFORCE。
- 我们观测到一个轨迹，也就是一直到游戏结束。
- 计算return，这样我们就可以得到回报 u t u_t ut
- u t u_t ut就是动作价值函数的无偏估计，REINFORCE算法就用这个方法来近似 Q π Q_{\pi} Qπ
上面的公式中还有一个未知的东西，就是 V π V_{\pi} Vπ，我们可以使用神经网络来近似它，也就是价值网络，最终可以直接算出近似的策略梯度。

在这里插入图片描述

为了能够计算策略梯度我们进行了3次近似
- 使用蒙特卡洛来近似期望，将策略梯度近似为随机梯度 g ( a t ) g(a_t) g(at)
- 使用观测到的 u t u_t ut来近似动作价值函数，这也是蒙特卡洛近似
- 使用价值网络来近似状态价值函数

Policy and Value Network

我们需要两个神经网络，策略网络来控制Agent，价值网络作为baseline
策略网络
- 策略网络是对策略函数的近似，

在这里插入图片描述

价值网络
- 价值网络的输入是状态s，它是对状态价值函数的近似。

在这里插入图片描述

共享卷积层参数，因为他们的输入都是对状态s提取特征。

在这里插入图片描述

REINFORCE with Baseline

我们使用REINFORCE方法训练策略网络，使用回归方法训练价值网络。
之前我们已经近似出了策略梯度，有了策略梯度我们就可以根据梯度上升来更新策略网络，我们将圈出来的记为 − δ t -\delta_t −δt，在后面我们训练价值网络的时候也会用到它。

在这里插入图片描述

更新价值网络就是让它去拟合回报 u t u_t ut，因为之前我们将状态价值函数近似为了 u t u_t ut，这样我们就可以得到预测的误差，因为我们希望误差越小越好，所以我么可以使用误差的平方作为损失函数。然后求导，就可以得到梯度，然后做梯度下降更新参数。

在这里插入图片描述

Summary

每当我们打一局游戏，我们就可以观测到一条轨迹
使用观测到的奖励r来计算回报，价值网络于回报之间的差，就是预测误差
更新策略网络的参数
最后做梯度下降来更新价值网络
因为我们可以在一局游戏中我们可以得到n个回报，这样我们就可以对两个策略网络做n轮更新。

在这里插入图片描述

Advantage Actor-Critic (A2C)

在这里插入图片描述

Training of A2C

每一轮我们观测到一个transition
然后计算TD target
然后计算TD error
使用近似的策略梯度来更新策略网络参数 θ \theta θ
然后更新价值网络的参数

在这里插入图片描述

Properties of Value Functions

在这里插入图片描述

t时刻的动作价值可以写为下面的公式，期望中的随机性来自于动作 A t + 1 A_{t+1} At+1和状态 S t + 1 S_{t+1} St+1，将这两个变量求期望消除随机性，将对 A t + 1 A_{t+1} At+1的期望推到里面，我们就可以得到第二个公式。这样我们根据定义动作价值对动作求期望就是状态价值，这样进行替换，就可以得到定理1.

在这里插入图片描述

Properties of State-Value Function

我们知道动作价值函数对 A t A_t At的期望就是状态价值函数，将期望中的 Q π Q_{\pi} Qπ使用我们上面得到的定理1替换。这样我们就可以得到定理2.

在这里插入图片描述

Monte Carlo Approximations

通过我们上面推导出的定理。我们对它们做蒙特卡洛近似
对定理1做蒙特卡洛近似，假设我们观测到一个transition，利用它来对期望做近似，这样我们就得到了一个公式。

在这里插入图片描述

对定理2做蒙特卡洛近似，假设我们观测到一个tranistion，来近似，这样我们又得到了一个公式
这样我们就的到了两个公式，第一个公式可以用来训练策略网络，第二个公式可以用来训练价值网络。

Updating Policy Network

在前面我们推导出了下面的公式， g ( a t ) g(a_t) g(at)是对策略网络的策略梯度的蒙特卡洛近似，其实就是一个随机梯度，里面的 Q π ( s t , a t ) − V π ( s t ) Q_{\pi}(s_t,a_t)-V_{\pi}(s_t) Qπ(st,at)−Vπ(st)被称为优势函数。我们不知道他们两的值，但是我们在前面得到了他们两的蒙特卡洛近似。然后我们进行替换，然后公式中就只有状态价值函数了，我们使用价值网络对它进行替换。我们可以用做后得到的公式来更新策略网络。

在这里插入图片描述