Wprowadzenie do RL i Deep Q Networks

bookmark_border Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Copyright 2021 Autorzy TF-Agents.

Zobacz na TensorFlow.org

Uruchom w Google Colab

Wyświetl źródło na GitHub

Pobierz notatnik

Wstęp

Uczenie się przez wzmacnianie (RL) to ogólna struktura, w której agenci uczą się wykonywać działania w środowisku, aby zmaksymalizować nagrodę. Dwa główne komponenty to środowisko, które reprezentuje problem do rozwiązania, oraz agent, który reprezentuje algorytm uczenia.

Agent i środowisko stale oddziałują na siebie. Na każdym kroku czasowym, agent wykonuje działania na środowisko na podstawie jego polityki $\pi(a_t|s_t)$, gdzie $s_t$ jest bieżąca obserwacja ze środowiska, a otrzymuje nagrodę $r_{t+1}$ i obok obserwacji $s_{t+1}$ ze środowiska . Celem jest udoskonalenie polityki tak, aby zmaksymalizować sumę nagród (zwrotu).

Jest to bardzo ogólna struktura i może modelować różne sekwencyjne problemy związane z podejmowaniem decyzji, takie jak gry, robotyka itp.

Środowisko Cartpole

Środowisko Cartpole jest jednym z najbardziej znanych klasycznych problemów w uczeniu się zbrojenie (dalej „Hello, World!” RL). Do wózka przymocowany jest drążek, który może poruszać się po torze pozbawionym tarcia. Słup zaczyna się pionowo, a celem jest zapobieganie jego przewróceniu poprzez kontrolowanie wózka.

• Obserwacja ze środowiska $s_t$ jest wektorem 4D reprezentujący położenie i prędkość wózka, a kąt i prędkość kątową bieguna.
• Środek można sterować systemem poprzez podejmowanie działań jednego z 2 $a_t$: popchnąć wózek prawo (+1) lub w lewo (-1).
• Nagroda $r_{t+1} = 1$ przewidziano każdym kroku to, że Polak pozostaje w pozycji pionowej. Odcinek kończy się, gdy spełniony jest jeden z poniższych warunków:
  • kij przechyla się powyżej pewnego kąta
  • wózek wyjeżdża poza granice świata
  • Mija 200 kroków czasu.

Celem środka jest nauczyć politykę $\pi(a_t|s_t)$ tak aby maksymalizować sumę nagród w epizodzie $\sum_{t=0}^{T} \gamma^t r_t$. Tutaj $\gamma$ jest czynnikiem zniżki w $[0, 1]$ że rabaty przyszłych nagród w stosunku do natychmiastowych nagród. Ten parametr pomaga nam skoncentrować politykę, sprawiając, że bardziej zależy jej na szybkim zdobywaniu nagród.

Agent DQN

Algorytm DQN (Głębokie Q-Network) została opracowana w 2015 roku przez DeepMind To było w stanie rozwiązać szeroką gamę gier Atari (niektóre na poziomie nadludzkiej) poprzez połączenie nauki zbrojenia i głębokie sieci neuronowych w skali. Algorytm został opracowany przez zwiększanie klasyczny algorytm RL nazwie Q-learning z głębokimi sieci neuronowych i technika zwana doświadczenie powtórki.

Q-Learning

Q-Learning opiera się na pojęciu funkcji Q. Q-function (aka funkcja wartość state-action) z polityki $\pi$, $Q^{\pi}(s, a)$mierzy oczekiwanego zwrotu lub zdyskontowana suma nagród otrzymanych z państwowej $s$ poprzez podejmowanie działań $a$ pierwszy i Poniższe zasady $\pi$ później. Zdefiniować optymalnej funkcji P- $Q^*(s, a)$ jako powrót maksymalnej, która może zostać uzyskane, począwszy od obserwacji $s$biorąc działania $a$ i zgodnie z polityką optymalne później. Optymalna P funkcja wypełnia następujące równanie optymalność Bellman:

$\begin{equation}Q^\ast(s, a) = \mathbb{E}[ r + \gamma \max_{a'} Q^\ast(s', a') ]\end{equation}$

Oznacza to, że maksymalny zwrot z państwowej $s$ i działanie $a$ jest sumą natychmiastowa nagroda $r$ i powrót (zdyskontowana przez $\gamma$) otrzymano zgodnie z polityką optymalną potem do końca odcinka ( czyli maksymalna nagroda od kolejnego państwa $s'$). Oczekiwanie jest obliczany zarówno nad dystrybucją natychmiastowych nagród $r$ i ewentualnych kolejnych stanach $s'$.

Podstawową ideą Q-learning jest użycie Bellman równania optymalności jako iteracyjny aktualizacji $Q_{i+1}(s, a) \leftarrow \mathbb{E}\left[ r + \gamma \max_{a'} Q_{i}(s', a')\right]$i można udowodnić, że ten jest zbieżny do optymalnego $Q$-function, tj $Q_i \rightarrow Q^*$ jako $i \rightarrow \infty$ (patrz DQN papier ).

Głębokie Q-Learning

Dla większości problemów, jest możliwa do reprezentowania $Q$-function jako tabeli zawierającej wartości dla każdej kombinacji $s$ i $a$. Zamiast tego, możemy trenować Aproksymator funkcji, takich jak sieci neuronowe z parametrami $\theta$, aby oszacować Q-wartości, tj $Q(s, a; \theta) \approx Q^*(s, a)$. Można to zrobić poprzez zminimalizowanie następujące straty na każdym kroku $i$:

$\begin{equation}L_i(\theta_i) = \mathbb{E}_{s, a, r, s'\sim \rho(.)} \left[ (y_i - Q(s, a; \theta_i))^2 \right]\end{equation}$ gdzie $y_i = r + \gamma \max_{a'} Q(s', a'; \theta_{i-1})$

Tutaj $y_i$ nazywa TD (różnica czasowa) cel, a $y_i - Q$ nazywa błąd TD. $\rho$ przedstawia rozkład zachowaniem, a rozkład na przemian $\{s, a, r, s'\}$ zebranych z otoczenia.

Należy zauważyć, że parametry z poprzedniej iteracji $\theta_{i-1}$ są stałe i nie aktualizowane. W praktyce zamiast ostatniej iteracji używamy migawki parametrów sieci sprzed kilku iteracji. Ta kopia jest nazywana siecią docelową.

Q-learning jest algorytmem off-polityka, który dowiaduje się o polityce chciwy $a = \max_{a} Q(s, a; \theta)$ podczas korzystania inną politykę zachowanie dla działających w środowisku / zbieranie danych. Ta polityka zachowanie jest zwykle $\epsilon$-greedy polityka, który wybiera chciwy akcja z prawdopodobieństwem $1-\epsilon$ i przypadkowej akcji z prawdopodobieństwem $\epsilon$ aby zapewnić dobre pokrycie przestrzeni state-action.

Przeżyj powtórkę

Aby uniknąć obliczania pełnej wartości oczekiwanej straty DQN, możemy ją zminimalizować za pomocą stochastycznego spadku gradientu. Jeśli ubytek jest obliczany za pomocą tylko ostatniego przejścia $\{s, a, r, s'\}$, zmniejsza standardowej Q Nauk.

Prace Atari DQN wprowadziły technikę o nazwie Experience Replay, aby uczynić aktualizacje sieci bardziej stabilnymi. Na każdym etapie w czasie zbierania danych, dodawane są do przejścia w buforze cyklicznym zwany bufor do odtwarzania. Następnie podczas treningu, zamiast używać tylko ostatniego przejścia do obliczenia straty i jej gradientu, obliczamy je za pomocą mini-partii przejść próbkowanych z bufora powtórek. Ma to dwie zalety: lepszą wydajność danych dzięki ponownemu wykorzystaniu każdego przejścia w wielu aktualizacjach oraz lepszą stabilność przy użyciu nieskorelowanych przejść w partii.

DQN na Cartpole w TF-Agents

TF-Agents zapewnia wszystkie komponenty niezbędne do szkolenia agenta DQN, takie jak sam agent, środowisko, polityki, sieci, bufory odtwarzania, pętle zbierania danych i metryki. Komponenty te są zaimplementowane jako funkcje Pythona lub operacje wykresów TensorFlow, a także mamy wrappery do konwersji między nimi. Dodatkowo TF-Agents obsługuje tryb TensorFlow 2.0, który umożliwia nam używanie TF w trybie imperatywnym.

Następnie spojrzeć w poradniku do szkolenia agenta DQN na środowisko Cartpole używając TF-Agentów .