论文笔记之PPO |
您所在的位置:网站首页 › o官网ppo › 论文笔记之PPO |
15年OpenAI发表了TRPO算法,一直策略单调提升的算法;17年DeepMind基于TRPO发表了一篇Distributed-PPO,紧接着OpenAI发表了这篇PPO。可以说TRPO是PPO的前身,PPO在TRPO的基础上进行改进,使得算法可读性更高,实操性更强。 论文地址,点这里 有关TRPO的论文解读,可参考我的另一篇论文笔记之TRPO PPO作为目前比较火热的model-free类强化学习算法,在许多环境中取得了不错的效果,因此是有必要去学习的。 论文解读参考: ①OpenAI PPO强化学习算法解读 ②TRPO和PPO(下) ③强化学习笔记(五)–PPO ④PPO ⑤TRPO与PPO Note: 关于PPO,网上最大的争议点在于是否是Off-policy算法?答:PPO是On-policy算法,虽然其引入了IS因子修正,但是用于采样的策略是旧策略 π o l d \pi_{old} πold(或者说当前策略),然后用这些样本去更新当前策略 θ o l d → θ \theta_{old}\to\theta θold→θ,用来学习并成为最终策略的策略叫目标策略,故采样策略和目标策略都是同一个 θ o l d \theta_{old} θold,因此PPO就是On-policy算法。和DDPG这类算法不同,虽然说从头至尾都用一个网络符号 π θ \pi_\theta πθ来表示策略,但是更新前后是有区别的,DDPG用来更新当前策略的样本来自于经验池,池子里的样本是由许多个之前不同的行为策略产生的,也就是说学习所用的数据“离开”了待学习的目标策略,因此DDPG是Off-policy的。再比如说Q-learning就更明显了,直接摆明有2个策略: g r e e d y greedy greedy和 ϵ − g r e e d y \epsilon-greedy ϵ−greedy策略。因此可以说Off-policy算法一般都会使用IS技术,但使用IS技术的不一定是Off-policy。TRPO和PPO都是为了解决策略梯度算法中学习率大小的算法,只不过PPO实现起来更加简便,效果也更好。Proximal(近端)个人认为应该指的是策略网络参数的更新是在约束范围内进行,因为有一个范围在,这个范围直觉上感觉很小,所以称之为近端。![]() 略 2 Background: Policy Optimization 2.1 Policy Gradient MethodsPPO和TRPO都是用来解决策略梯度算法中的学习率问题的,因此他们都属于策略梯度算法(PG): ∇ J ( θ ) = E ( s , a ) ∼ ρ π [ ∇ θ log π θ ( a ∣ s ) ⋅ A π θ ( s , a ) ] (1) \nabla J(\theta)=\mathbb{E}_{(s,a)\sim\rho^\pi}[\nabla_\theta\log\pi_\theta(a|s)\cdot A^{\pi_\theta}(s,a)]\tag{1} ∇J(θ)=E(s,a)∼ρπ[∇θlogπθ(a∣s)⋅Aπθ(s,a)](1) 2.2 Trust Region Methods有关TRPO的论文解读,可参考我的另一篇论文笔记之TRPO。 TRPO的目标函数以及约束为: m a x i m i z e θ E ( s t , a t ) ∼ ρ π θ o l d [ π θ ( s t , a t ) π θ o l d ( s t , a t ) A π θ o l d ( s t , a t ) ] (3) \mathop{maximize}\limits_{\theta}\mathbb{E}_{(s_t,a_t)\sim\rho^{\pi_{\theta_{old}}}}[\frac{\pi_\theta(s_t,a_t)}{\pi_{\theta_{old}}(s_t,a_t)}A^{\pi_{\theta_{old}}}(s_t,a_t)]\tag{3} θmaximizeE(st,at)∼ρπθold[πθold(st,at)πθ(st,at)Aπθold(st,at)](3) s . t . E ( s t , a t ) ∼ ρ π θ o l d [ K L [ π θ o l d ( ⋅ ∣ s t ) , π θ ( ⋅ ∣ s t ) ] ] (4) s.t.\,\,\,\mathbb{E}_{(s_t,a_t)\sim\rho^{\pi_{\theta_{old}}}}[KL[\pi_{\theta_{old}}(\cdot|s_t),\pi_\theta(\cdot|s_t)]]\tag{4} s.t.E(st,at)∼ρπθold[KL[πθold(⋅∣st),πθ(⋅∣st)]](4)Note: θ o l d \theta_{old} θold指的是当前策略,是即将更新的待更新策略,相对 π θ \pi_\theta πθ而言就是旧策略。TRPO对式(3)(4)的优化采用共轭梯度+线性搜索来处理。对式(3)采用一阶近似,对式(4)采用二阶近似。理论上TRPO开始也是将 K L KL KL散度作为奖惩项的: m a x i m i z e θ E ( s t , a t ) ∼ ρ π θ o l d [ π θ ( s t , a t ) π θ o l d ( s t , a t ) A π θ o l d ( s t , a t ) − β K L [ π θ o l d ( ⋅ ∣ s t ) , π θ ( ⋅ ∣ s t ) ] ] (5) \mathop{maximize}\limits_{\theta}\mathbb{E}_{(s_t,a_t)\sim\rho^{\pi_{\theta_{old}}}}[\frac{\pi_\theta(s_t,a_t)}{\pi_{\theta_{old}}(s_t,a_t)}A^{\pi_{\theta_{old}}}(s_t,a_t)-\beta KL[\pi_{\theta_{old}}(\cdot|s_t),\pi_{\theta}(\cdot|s_t)]]\tag{5} θmaximizeE(st,at)∼ρπθold[πθold(st,at)πθ(st,at)Aπθold(st,at)−βKL[πθold(⋅∣st),πθ(⋅∣st)]](5)Note: 但是在TRPO中 K L KL KL因子是个很小的值,会造成学习缓慢。如果将 β \beta β当做超参数的话,对于不同环境也是难以调节。因此PPO的一个版本就专门设计了可调节的 K L KL KL因子。实验表明,如果采样固定的奖惩因子 β \beta β,并采用 S G D SGD SGD来对式(5)做一阶近似的话,效果是不好的。因此有必要将 β \beta β改成可调节的。 3 Clipped Surrogate Objective这是PPO的Clip版本。OpenAI的作者提出用Clip技术替代 K L KL KL散度的作用,即限制参数 θ o l d → θ \theta_{old}\to\theta θold→θ步伐过大。 记IS修正因子 r t ( θ ) = π θ ( a t ∣ s t ) π θ o l d ( a t ∣ s t ) r_t(\theta)=\frac{\pi_\theta(a_t|s_t)}{\pi_{\theta_{old}}(a_t|s_t)} rt(θ)=πθold(at∣st)πθ(at∣st)。TRPO优化的目标是一种替代目标,他不直接优化 η θ n e w \eta_{\theta_{new}} ηθnew,而是优化它的一个下界。整个优化过程Kakada称之为CPI(Conservation Policy Iteration),故真正优化的目标函数称之为CPI函数: L C P I ( θ ) = E ( s t , a t ) ∼ ρ π θ o l d [ π θ ( s t , a t ) π θ o l d ( s t , a t ) A π θ o l d ( s t , a t ) ] = E [ r t ( θ ) A π θ o l d ( s t , a t ) ] (6) L^{CPI}(\theta)=\mathbb{E}_{(s_t,a_t)\sim\rho^{\pi_{\theta_{old}}}}[\frac{\pi_\theta(s_t,a_t)}{\pi_{\theta_{old}}(s_t,a_t)}A^{\pi_{\theta_{old}}}(s_t,a_t)]=\mathbb{E}[r_t(\theta)A^{\pi_{\theta_{old}}}(s_t,a_t)]\tag{6} LCPI(θ)=E(st,at)∼ρπθold[πθold(st,at)πθ(st,at)Aπθold(st,at)]=E[rt(θ)Aπθold(st,at)](6) 可以见得,如果不存在一个约束的话, θ o l d → θ \theta_{old}\to\theta θold→θ将会很大,会导致策略提升失效,从而无法解决PG算法的学习率大小问题。 那么PPO的Clip版本的替代函数是什么呢? PPO的Clip版本的优化的目标也是基于TRPO的优化目标(式(6)),本质上两者都是CPI函数,优化的都是真正回报
η
θ
n
e
w
\eta_{\theta_{new}}
ηθnew的近似。 记Clip超参数
ϵ
=
0.2
\epsilon=0.2
ϵ=0.2,则PPO优化目标:
L
C
L
I
P
(
θ
)
=
E
(
s
t
,
a
t
)
∼
ρ
π
θ
o
l
d
[
min
{
r
t
(
θ
)
A
π
θ
o
l
d
,
c
l
i
p
(
r
t
(
θ
)
,
1
−
ϵ
,
1
+
ϵ
)
A
π
θ
o
l
d
}
]
(7)
L^{CLIP}(\theta)=\mathbb{E}_{(s_t,a_t)\sim\rho^{\pi_{\theta_{old}}}}[\min\{r_t(\theta)A^{\pi_{\theta_{old}}},clip(r_t(\theta), 1-\epsilon,1+\epsilon)A^{\pi_{\theta_{old}}}\}]\tag{7}
LCLIP(θ)=E(st,at)∼ρπθold[min{rt(θ)Aπθold,clip(rt(θ),1−ϵ,1+ϵ)Aπθold}](7)
C
l
i
p
Clip
Clip目标函数有2大特征: ①用下图即可说明PPO设置
C
l
i
p
Clip
Clip的意义: ![]() ②:
L
C
L
I
P
L^{CLIP}
LCLIP可作为选取目标函数的一个保守的下界。如下图所示: 第三节讲述了PPO的
C
l
i
p
Clip
Clip版本,这一节讲述PPO的另一个版本——采用可调节的
K
L
KL
KL散度因子。 算法的大致步骤为: 回顾一下:第三节介绍了基于TRPO的 L C L I P L^{CLIP} LCLIP算法;第四节介绍了基于TRPO的 L K L P E N L^{KLPEN} LKLPEN算法。这一节开始介绍完整的PPO算法。 PPO算法的完整目标函数: L t C L I P + V F + S ( θ ) = E ( s t , a t ) ∼ ρ π θ o l d [ L t C L I P ( θ ) − c 1 L t V F ( θ ) + c 2 S [ π θ ] ( s t ) ] (9) L_t^{CLIP+VF+S}(\theta)=\mathbb{E}_{(s_t,a_t)\sim\rho^{\pi_{\theta_{old}}}}[L_t^{CLIP}(\theta)-c_1L_t^{VF}(\theta)+c_2S[\pi_\theta](s_t)]\tag{9} LtCLIP+VF+S(θ)=E(st,at)∼ρπθold[LtCLIP(θ)−c1LtVF(θ)+c2S[πθ](st)](9)Note: c 1 , c 2 c_1,c_2 c1,c2为2个超参数, S S S为信息熵增加探索率, L t V F L_t^{VF} LtVF为训练Critic网络 V θ V_\theta Vθ的损失函数。这里采用 L C L I P L^{CLIP} LCLIP作为替代函数。优势函数的估计基于以下式子: A t = − V ( s t ) + [ r t + γ t + 1 + ⋯ + γ T − t − 1 r T − 1 + γ T − t V ( s T ) ] (10) A_t=-V(s_t)+[r_t+\gamma_{t+1}+\cdots+\gamma^{T-t-1}r_{T-1}+\gamma^{T-t}V(s_T)]\tag{10} At=−V(st)+[rt+γt+1+⋯+γT−t−1rT−1+γT−tV(sT)](10)Note: 式(10)第一部分的 V V V通过价值网络得到, V V V网络的训练遵从: m i n i m i z e θ E ( s t , a t ) ∼ ρ π θ o l d [ 1 2 ( V θ ( s t ) − V t t a r g ( s t ) ) 2 ] \mathop{minimize}\limits_\theta\mathbb{E}_{(s_t,a_t)\sim\rho^{\pi_{\theta_{old}}}}[\frac{1}{2}(V_\theta(s_t)-V_t^{targ}(s_t))^2] θminimizeE(st,at)∼ρπθold[21(Vθ(st)−Vttarg(st))2]式(10)的第二部分是一个T步的 Q Q Q,它通过MC采样结果相加可得。整个PPO算法的伪代码如下: ![]() 这一小节用于对比三种替代目标函数 L C P I 、 L C L I P 、 L K L P E N L^{CPI}、L^{CLIP}、L^{KLPEN} LCPI、LCLIP、LKLPEN,其中 L K L P E N L^{KLPEN} LKLPEN还包括固定和自动调节的 β \beta β。 实验设置: 超参数:除了
c
l
i
p
clip
clip版本有专属的
ϵ
\epsilon
ϵ,奖惩
K
L
KL
KL版本有专属的
(
β
,
d
t
a
r
g
)
(\beta,d_{targ})
(β,dtarg),其余都一样的设置: 网络设置:用神经网络来表示策略。 其他:实验环境来自于OpenAI-Gym的Mujoco仿真模拟器。一共涉及7种环境,每种环境设置3个随机种子。评价指标为7*3=21个结果的平均值。 实验结果如下: 这一小节是将PPO算法与其他算法在同一环境是的比较。 上一轮胜出的是
c
l
i
p
clip
clip版本的PPO,所以这一节拿
c
l
i
p
clip
clip版本的PPO与其余5种算法对比,实验结果如下: 这一节是测试PPO(自动调节
β
\beta
β版本)在高维连续动作空间环境Humanoid上的表现效果。实验分三种难度,从低到高分别是:①RoboschoolHumanoid-v0②RoboschoolHumanoidFlagrun-v0③RoboschoolHumanoidFlagrunHarder 实验所涉及到的超参数如下: 实验效果图如下: 这一节测试的是PPO算法和其余2种算法A2C、ACER在Atari环境中的表现对比。 一共测试49种Atari游戏。PPO的超参数如下: |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |