Введение в сети RL и Deep Q

bookmark_border Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.

Авторские права 2021 Авторы TF-Agents.

Посмотреть на TensorFlow.org

Запускаем в Google Colab

Посмотреть исходный код на GitHub

Скачать блокнот

Вступление

Обучение с подкреплением (RL) - это общая структура, в которой агенты учатся выполнять действия в среде, чтобы получить максимальное вознаграждение. Двумя основными компонентами являются среда, которая представляет проблему, которую необходимо решить, и агент, который представляет алгоритм обучения.

Агент и среда постоянно взаимодействуют друг с другом. На каждом временном шаге, агент принимает действие на окружающей среду на основе его политика $\pi(a_t|s_t)$, где $s_t$ является текущим наблюдением из окружающей среды, и получает вознаграждение $r_{t+1}$ и следующее наблюдение , $s_{t+1}$ из окружающей среды . Цель состоит в том, чтобы улучшить политику, чтобы максимизировать сумму вознаграждений (возврат).

Это очень общая структура, которая может моделировать различные последовательные задачи принятия решений, такие как игры, робототехника и т. Д.

Окружающая среда Cartpole

Среда Cartpole является одним из самых известных классических проблем обучения с подкреплением (далее «Hello, World!» ЛР). К тележке прикреплен шест, который может двигаться по бесфрикционной дорожке. Столб начинается вертикально, и цель состоит в том, чтобы не допустить его падения, управляя тележкой.

• Наблюдения из окружающей среды $s_t$ представляет собой вектор , представляющий 4D положение и скорость тележки, а также угол и угловую скорость полюса.
• Агент может управлять системой, принимая один из 2 -х действиях $a_t$: толкать тележки право (+1) или влево (-1).
• Вознаграждение $r_{t+1} = 1$ предоставляется для каждого временного шага , что полюс остается в вертикальном положении. Эпизод заканчивается, когда выполняется одно из следующих условий:
  • полюс превышает некоторый предел угла
  • тележка движется за пределы краев мира
  • Проходит 200 временных шагов.

Цель агента является изучение политики $\pi(a_t|s_t)$ так, чтобы максимизировать сумму вознаграждения в эпизоде $\sum_{t=0}^{T} \gamma^t r_t$. Здесь $\gamma$ является коэффициент дисконтирования в $[0, 1]$ , что скидки в будущем награды относительно немедленного вознаграждения. Этот параметр помогает нам сфокусировать политику, заставляя ее больше заботиться о быстром получении вознаграждений.

Агент DQN

Алгоритм DQN (Deep Q-Network) была разработана DeepMind в 2015 году удалось решить широкий спектр Атари игр (некоторые сверхчеловеческого уровня) путем объединения обучения с подкреплением и глубокие нейронные сети в масштабе. Алгоритм был разработан за счетом повышения классического алгоритма RL под названием Q-Learning с глубокими нейронными сетями и методом , называемым опытом повторе.

Q-Learning

Q-Learning основано на понятии Q-функции. Q-функция (ака значение функции состояния действия) политики $\pi$, $Q^{\pi}(s, a)$, меры ожидаемой доходности или дисконтированной суммы вознаграждений , полученных из государственного $s$ путем принятия мер $a$ первой и после политики $\pi$ после этого. Определим оптимальную Q-функцию $Q^*(s, a)$ как максимальную отдачу , которую можно получить , исходя из наблюдений $s$, принимая действие $a$ и следуя политике оптимальной в дальнейшем. Q-функция оптимальной подчиняется следующему уравнению Беллмана оптимальности:

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

Это означает , что максимальная отдача от состояния $s$ и действия $a$ является суммой немедленного вознаграждения $r$ и возвращение (льгота $\gamma$) , полученное не следуя политику оптимальной после этого до конца эпизода ( то есть, максимальное вознаграждение от следующего состояния $s'$). Ожидание вычисляется как по распределению непосредственных выгод $r$ и возможных следующих состояний $s'$.

Основная идея Q-Learning является использование Беллмана уравнения оптимальности как итеративное обновление $Q_{i+1}(s, a) \leftarrow \mathbb{E}\left[ r + \gamma \max_{a'} Q_{i}(s', a')\right]$, и можно показать , что это сходится к оптимальному $Q$-функции, т.е. $Q_i \rightarrow Q^*$ , как $i \rightarrow \infty$ (см DQN бумага ).

Глубокое Q-обучение

Для большинства проблем, это нецелесообразно , чтобы представить $Q$-функции в виде таблицы , содержащей значения для каждой комбинации $s$ и $a$. Вместо этого, мы обучаем функцию аппроксиматором, например нейронной сети с параметрами $\theta$, для оценки Q-значений, т.е. $Q(s, a; \theta) \approx Q^*(s, a)$. Это можно сделать путем минимизации следующей потери на каждом шаге $i$:

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

Здесь $y_i$ называется целевым TD (временная разница) и $y_i - Q$ называется ошибка TD. $\rho$ представляет собой распределение поведения, распределение по переходам $\{s, a, r, s'\}$ , собранных из окружающей среды.

Обратите внимание , что параметры из предыдущей итерации $\theta_{i-1}$ являются фиксированными и не обновляются. На практике мы используем снимок параметров сети с нескольких итераций назад вместо последней итерации. Эта копия называется целевой сетью.

Q-Learning является алгоритмом вне политики , которая узнает о жадных политиках $a = \max_{a} Q(s, a; \theta)$ , используя другую политику поведения для действующих в окружающей среде / сборе данных. Эта политика поведения, как правило, $\epsilon$-greedy политик , которая выбирает жадное действие с вероятностью $1-\epsilon$ и случайным действием с вероятностью $\epsilon$ , чтобы обеспечить хорошее покрытие пространства государства действий.

Опыт Replay

Чтобы избежать вычисления полного ожидания потери DQN, мы можем минимизировать его, используя стохастический градиентный спуск. Если потери вычисляется с использованием только последней перехода $\{s, a, r, s'\}$, это сводится к стандартному Q-Learning.

Работа Atari DQN представила технику под названием Experience Replay, чтобы сделать обновления сети более стабильными. На каждом временном шаге сбора данных, переходы добавляются в кольцевой буфер называется повтор буфер. Затем во время обучения, вместо того, чтобы использовать только последний переход для вычисления потерь и его градиента, мы вычисляем их, используя мини-пакет переходов, выбранных из буфера воспроизведения. Это дает два преимущества: лучшая эффективность данных за счет повторного использования каждого перехода во многих обновлениях и лучшая стабильность за счет использования некоррелированных переходов в пакете.

DQN на Cartpole в TF-Agents

TF-Agents предоставляет все компоненты, необходимые для обучения агента DQN, такие как сам агент, среда, политики, сети, буферы воспроизведения, циклы сбора данных и показатели. Эти компоненты реализованы как функции Python или графические операции TensorFlow, и у нас также есть оболочки для преобразования между ними. Кроме того, TF-Agents поддерживает режим TensorFlow 2.0, который позволяет нам использовать TF в императивном режиме.

Далее, посмотрите на учебник для обучения DQN агента на окружающую среду Cartpole с использованием TF-агентов .