1. RL几个应用
Learning to play AlphaGo
- Supervised(监督学习的方式)
- 从老师那里学习,即通过打标签的方式学习
- 比如看棋谱学,但棋谱是人下的,人下的那一步就是最优的吗?
- Reinforement Learning
- 从经验中学习,其实人可能都不知道哪一步是最优的
- AlphaGo的学习方式
- 先做Supervised Learning,从高手棋谱中学习
- 通过Supervised Learning训练出两个模型,他们互相博弈
Learning a Chat-Bot
- 如何评判生成句子的好坏是关键问题,总不能一直“See you”循环下去。
- 预测将来可能出现的做法
- 在RL中引入生成对抗网络
- 判别生成的句子是否符合真实数据的分布
Playing Video Game
- 两个常用的游戏平台
- Gym
- Universe
- episode,一局游戏,从开始到结束
2. RL的概念
RL的难点
Reward Delay 奖励延迟
比如,打飞机游戏中,只有开火才会拿到Reward,但左右操作不会。但左右操作又会影响最后得分的高低,毕竟就算一直开火而不躲避也会导致被子弹击中从而导致游戏结束。所以,这就需要机器能够合理规划以获得长期的利益。
Agent采取的行为会影响之后的行为
Agent需要充分的探索它所处的环境。还是以打飞机游戏为例,若是Agent从来都没有尝试过开火,那么它永远无法得到高分。
RL常用的做法
- Policy-Based,主要目的是学习一个Actor
- Value-Based,主要目的是学习一个Critic
- 那现在比较流行的做法是:Actor + Critic
3. RL三个步骤
Neural Network as Actor
- Input:机器的观察,Vector或者是Matrix
- OutPut:输出层每一个神经元代表一个动作
Goodness of Actor 1
给定一个Actor $\pi\theta(s)$,神经网络就是Actor,参数为$\theta$ 。使用$\pi\theta(t)$来玩游戏,那么总体的Reward如下:
由于环境是一直在变化的(输入会变),比如打游戏玩家不同的位置、画面等,所以就算是同一个Actor玩千百次游戏最后得到的$R\theta$也会不一样。而强化学习的目的是最大化Reward从而选择出最佳的Actor,那么直接最大化$R\theta$是没有意义的,而应该最大化所有$R_\theta$的期望。
定义$\bar{R}\theta$为$R\theta$的期望值,所以最终的目的应该是最大化$\bar{R}_\theta$。当玩的所有局获得的Reward期望最大时,就说明这个Actor整体上达到了较好的能力。(可用随机放回采样钞票来类比,若是整体期望很大,那么盒子里钞票值普遍都比较大,即Reward普遍比较大)。
Goodness of Actor 2
将一个episode考虑为一个$\tau$,即一场游戏的开始到结束这个过程。这个过程有千百种,有些经常出现,有些不太出现。$\tau$的定义如下:
其中$s_i$代表当前的状态,$a_i$代表采取的动作,$r_i$代表收获的Reward。
当一个Actor开始玩游戏的时候,每一个$\tau$都有一定的概率出现,我们用$P(\tau|\theta)$来代表不同的$\tau$出现的概率。那么所有$R_\theta$的期望为:
这个公式的理解方式类比于离散随机变量求期望:假设可以穷举所有的$\tau$,那么$\bar{R}_\theta$应该为每种$\tau$出现的机率乘上该$\tau$能够获取的总体Reward的总值。
对$\bar{R}\theta$的进一步思考:由于总体的目标是希望选择的Actor在不同的$\tau$下都能够获得尽可能高的$Reward$,那么使得$\bar{R}\theta$最大的那个Actor就是我们所需要的。
由于前穷举所有的$\tau$可能性很低,那么只能用一个Actor玩N场游戏得到$\{\tau^1, \tau^2, …, \tau^3\}$来类比所有的$\tau$。也就相当于从$P(\tau|\theta)$中采样N次,那么每个$\tau$出现的概率应该为$\frac{1}{N}$,所以$\bar{R}_\theta$近似为:
相当于把N个$\tau$的$R(\tau)$求和并取平均。
Pick the best Actor 1
根据前文,已将问题转化为:
那么就可以采用梯度上升来更新模型的参数
- Start with $\theta^0$
- $\theta^1 = \theta^0 + \eta\nabla\bar{R}_{\theta^0}$
- $\theta^2 = \theta^1 + \eta\nabla\bar{R}_{\theta^1}$
- ……
其中$\nabla\bar{R}\theta = \left[\begin{matrix} \part\bar{R}\theta/\part W1 \\ \part\bar{R}\theta/\part W2 \\ … \\ \part\bar{R}\theta/\part b_1\end{matrix}\right]$
Pick the best Actor 2
那么$\nabla\bar{R}_\theta$到底该怎么求呢?
根据$\bar{R}_\theta$的公式,可以得到:
- 其中,$R(\tau)$和$\theta$并没有关系,所以不需要求梯度。因为Reward是环境给的,比如游戏中的计分板,我们不需要计分的具体过程和规则,只要拿到值就可以了。
- 所以即使$R(\tau)$不可微,不知道其具体的$function$也没有关系,只要给了输入能够给输出就行。
再进一步看上面的式子,可以推导出:
约等于已在上文解释,因为无法穷取所有的$\tau$,故只能采样类比。那么每个$\tau$出现的概率应该为$\frac{1}{N}$,可以提到求和前面。
Pick the best Actor 3
根据上文的推导,问题就转化为了$\nabla\log P(\tau^n|\theta) = ?$,那么该怎么求呢?
前文定义$\tau = \{s_1, a_1, r_1, s_2, a_2, r_2, …, s_T, a_T, r_T\}$,故可以得到:
- $P(s_1)$代表游戏开始画面出现的几率
- $P(a_1|s_1, \theta)$代表$\theta_1$下的Actor,在$s_1$状态下,取动作$a_1$的机率
- $P(r_1,s_2|s_1, a_1)$代表,在$s_1$状态下采取动作$a_1$,获取$r_1$并指向状态$s_2$的概率
那么,上面的式子可以进一步写为:
其中$\log P(s1)$和$\log P(r_t, s{t+1}|s_t, a_t)$都是与$\theta$无关的项,与游戏环境相关。
于是,可以得到:
Pick the best Actor 4
根据上文的推导,最终的问题可以转化为如下式子:
最后得到的一项式子是非常直觉的,可以体现学习过程中很多重要的信息,将在下面一一列出。
机器在$\tau^n$过程中,在$s_t^n$的状态下采取行动$a_t^n$导致
- $R(\tau^n)$为正,则希望这个$a_t^n$出现的机率越大越好,需调整$\theta$来增加$P(a_t^n|s_t^n)$
- $R(\tau^n)$为负,则希望这个$a_t^n$出现的机率越小越好,需调整$\theta$来降低$P(a_t^n|s_t^n)$
$P(a_t^n|s_t^n, \theta)$的意思是:在某一$\tau$过程中,在$t$时刻的所观测的状态$s_t^n$,采取动作$a_t^n$的概率。
- 但$P(a_t^n|s_t^n, \theta)$乘以的是该$\tau$整体的Reward $R(\tau^n)$,而不是当前时刻$t$采取行动后的Reward $R(\tau^n_t)$
- 所以,训练完毕后的Actor每次采取的动作往往是为了最大化整体的利益,而不是局部的利益。这就可以避免前文提到的问题:打飞机只有开火才能获得Reward,而左移、右移不会有任何Reward,但会对最大化Reward有帮助,所以机器每次做的决策要考虑全局而不是一直开火。
$\nabla \log P(a_t^n|s_t^n, \theta)$为什么要取$\log$?分母$P(a_t^n|s_t^n, \theta)$的作用是什么呢?
- 举个例子,如有以下的$\tau$过程
- $\tau^{13}$,采取行动a,$R(\tau^{13}) = 2$
- $\tau^{15}$,采取行动b,$R(\tau^{15}) = 1$
- $\tau^{17}$,采取行动b,$R(\tau^{17}) = 1$
- $\tau^{33}$,采取行动b,$R(\tau^{33}) = 1$
- 虽然动作a会有更高的Reward,但由于动作b出现次数很多,在求和所有R之后,b动作带来的总Reward会更高;这就导致机器将b出现的机率调高,以获得总体的Reward更高。故虽然a可以获取更高的Reward,机器也会限制它的发生机率。
- 举个例子,如有以下的$\tau$过程
在看了上述例子之后,我们再回头解释分母$P(a_t^n|s_t^n, \theta)$存在的意义,其实$\frac{\nabla P(a_t^n|s_t^n, \theta)}{P(a_t^n|s_t^n, \theta)}$相当于对各种action出现的次数做了normalize,从而使得机器不会偏好出现次数过高的action,而是综合评价出现次数和单次行动获得的Reward。
通过上述对目标函数直观的解释和理解,我们可以发现目标函数不仅保证了全局利益,也能保证得到做出合理决策的Actor。
Add a Baseline 1
若是$R(\tau)^n$一直为正,会发生什么事情?
理想状态下,不会有什么问题。若有三个动作a、b、c,通过充分的采样,三个动作都发生了,那么三个动作在进行梯度下降的时候都会有相应的提升。
但若采样不充分,导致某个动作没有发生如动作a没有发生,就会使得动作b、c的机率增加,而a的机率减小。所以,我们希望$R(\tau^n)$有正有负,那么可以添加一项$b \approx E(R(\tau^n))$。
Add a BaseLine 2
假设有两个$\tau$的片段如下:
- $(s_a, a_1, r=5),~(s_b, a_2, r=0),~(s_c, a_3, r=-2), ~ R=3$
- $(s_a, a_1, r=-5),~(s_b, a_2, r=0),~(s_c, a_3, r=-2), R=-7$
在上面两个例子中,执行$a_2$并不会获得太差的Reward。但在原始的Policy Gradient中,乘上的权重为$R(\tau^n)$,即一场游戏的总Reward,这虽然能考虑全局收益,但同时拉低了某些好的action出现的概率,从而使得当前Actor出现偏好。
如在上述的例子中,$a_2$之前采取的动作其实和$a_2$将产生的结果并没有任何关系,$a_2$之后产生的结果只和$a_2$之后的动作相关。故可以修改Policy Gradient为:
即将权重从全局的Reward修改为,采取动作$a_t$之后所有Reward的总和
再进一步,由于当前的action对后续动作的影响会随着时间的推移而逐渐减弱,故需要乘上一个衰减因子$\gamma < 1$,于是式子更新为:
中间的那一项称之为Advantage Function,即