演员评论家政策损失为零（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了问题。

CartPole：模型最终收敛并获得最大奖励。但是，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，它会更快地收敛。

MountainCar、Acrobot：这两种模型都有负奖励。如果您的代理需要 10 秒来解决任务，您的奖励将是 -10。出于某种原因，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。价值损失开始时高得离谱，然后开始下降，尽管它在某个点（当策略崩溃时）趋于稳定。谁能帮我诊断问题？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 = 情节长度，Pol = 策略损失，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

我不确定我是否可以完全回答你的问题，但我会提供我的 2 美分，希望其他人来填写其余的！

模型最终收敛并获得最大奖励。但是，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，它会更快地收敛。

这是因为 CartPole 有一个非常简单的操作空间，可以向左或向右移动。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足以让系统探索其状态空间。在演员评论方法中，需要调整更多的权重和偏差。而且因为要调参的参数比较多，所以训练时间比较长。

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)

至于这部分，我相信实际的loss公式是

Loss = - log(policy) * Advantage

哪里有否定句，比如 i 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包含在你的损失函数中。我在构建 Policy Gradient 时亲自编写了自己的损失函数，但您的 Tensorflow 函数可能会考虑到这一点。

至于值，一开始预计会有很高的损失，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使用回放记忆来记录您的状态、动作、奖励和 s2。通过这种方式，您可以对轨迹进行去关联，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的事件。

您目前也在在线学习，这对于更困难的 RL 任务来说非常不稳定。解决此问题的一种方法是通过上述重放内存。另一种方法是小批量学习。我相信这就是 David Silver 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 方法执行反向传播以计算策略梯度的损失。存储这些梯度，并在接下来的几个轨迹中再次执行此操作。在“小批量”数量的轨迹之后，您然后平均所有运行中的所有梯度，然后执行梯度下降以更新您的参数。梯度下降与您在代码中使用 tf.apply_gradients 方法所做的相同。你这样做是因为环境有很多噪音，通过模拟许多轨迹，这个想法是小批量的平均轨迹是一种更有概率的表示，而不是一个轨迹。我个人使用 64 个的 mini-batch。

为了增强您在状态空间中的探索，我建议您使用 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，它允许您远离初始状态。因为如果您使用去相关噪声，长期平均值将为 0，因为它是 0 均值，单位方差。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。只需将这种噪音添加到您的操作中即可改进探索。

总结

您保单的损失函数标识可能不正确。 为了提高学习能力，针对难点问题的在线学习是非常困难的。解决此问题的两种易于实施的方法是：

• 回放记忆
• 小批量梯度下降，而不是当前代码中的随机梯度下降

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，你的权重会很快更新。目标网络将在系统中，而不是使问题成为“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，并且在每一集之后，“真实”网络都会更新。并且经过 x 次迭代，将目标网络更新为真实网络。但这需要更长的时间来实现。我会先推荐以上两个。