深度探索：策略学习与神经网络在强化学习中的应用

策略学习(Policy-Based Reinforcement Learning)

我们可以用一个神经网络来近似一个策略函数，叫做Policy Network。可以用来控制agent的动作。

一、策略函数

$\pi (a|s)$,他是一个概率密度函数。

• 策略函数的输入是状态
• 输出是一个概率分布，给每个动作$a$一个概率值

1.1 策略函数输出的例子

我们可以举一个超级玛丽的例子，把当前的状态$s$作为输入，输出三个动作$a_{left,right,jump}$的概率。是一个三维向量。
$\pi (left|s)=0.2$
$\pi (right|s)=0.8$
$\pi (jump|s)=0.7$

有了概率agent会进行一次随机抽样，三个动作都会被抽到，但是概率越大，被抽到的概率越大。这里会有一个误区，认为agent只会随机抽到概率最大的动作。

二、使用神经网络来近似策略函数：Policy Network ,策略网络

和价值学习一样，我们无法直接得到策略函数，但我们可以使用深度学习中的神经网络通过不断迭代来近似得到。
$$\pi (a|s,\theta )\to \pi (a|s)$$

$\theta$是神经网络的参数，可以通过梯度下降来更新。

2.1 策略网络运行的例子

还是超级玛丽的游戏作为例子。

• 我们首先对游戏的画面进行采样，得到某一帧的画面作为状态$s_t$
• 我们对这一帧画面进行卷积、特征提取，得到一个特征向量
• 我们将这个特征向量作为输入，通过神经网络后再进行softmax得到三个动作$a_{left,right,jump}$的概率。
• agent会对得到的概率进行采样，得到一个动作$a_t$。

2.2需要的几个概念

1. 回报$U_t$(Discounted Return)

$$U_t=R_t+\gamma R_{t+1}+{\gamma }^2{R}_{t+2}+{\gamma }^3{R}_{t+3}+\cdot \cdot \cdot$$
回报依赖从$T$时刻开始的所有的动作和所有的状态，是所有奖励的折扣和，$\gamma$是折扣系数。
2. 动作价值函数 $Q_{\pi }$(Action Value Function)

$$Q_{\pi }(s_t,a_t)=\mathbb{E}[U_t|s_t,a_t]$$

$Q_{\pi }$仅仅依赖当前时刻的状态和动作和策略函数$\pi$,动作价值函数可以评价在状态$s_t$下，执行动作$a_t$的回报是多少。它可以评估动作的好坏。
3. 状态价值函数 $V_{\pi }$(State Value Function)

$$V_{\pi }(s_t)={\mathbb{E}}_A[Q_{\pi (s_t,A)}]$$
$V_{\pi }$是$Q_{\pi }$的期望，$V_{\pi }$仅仅依赖当前时刻的状态和策略函数$\pi$,它可以评估状态的好坏。,它越大，说明当前环境的胜算越大。

如果给定状态$s_t$，$V_{\pi }(s_t|A)$可以评估策略$\pi$的好坏/

如果A是离散的变量，那么我们可以将上述的公式展开：

$$V_{\pi }(s_t)=\sum _a\pi (a|s_t)Q_{\pi }(s_t,a)$$

2.3神经网络近似策略函数

我们使用神经网络来近似策略函数，神经网络的输入是状态，输出是动作的概率。
$$V_{\pi }(s_t)=V_{\pi }(s;\theta )=\sum _a\pi (a|s;\theta )Q_{\pi }(s,a)$$

其中，{\theta}是神经网络的参数。

三、策略学习的主要思想

由状态价值函数可以知道，给定环境$s$,我们就可以评估一个策略函数$\pi$的好坏。$V(s;\theta )$的值越大，策略函数就越好，我们可以改变参数$\theta$来使得$V(s;\theta )$的值变大。

3.1 目标函数的定义

由以上思想，我们可以定义要更新的目标函数：

$$J(\theta )={\mathbb{E}}_S[V_{\pi }(s_t;\theta )]$$

我们将状态$S$作为随机变量使用期望消去，这样我们定义的目标函数就只剩下$\theta$

$J(\theta )$越大，我们的策略函数就越好

3.2策略梯度算法

大概思想：

1. 首先我们从环境中采样得到一个状态$s_t$
2. 我们可以根据这个状态带入到$V(s;\theta )$中，计算他的梯度
3. 进行梯度上升：$$\theta =\theta +\beta \frac{\partial V(s;\theta )}{\partial \theta }$$

$\beta $就是学习率它是一个随机梯度，随机性来源于$s$

$\frac{\partial V(s;\theta )}{\partial \theta }$被称为策略梯度。

3.2策略梯度的推导

$$\begin{array}{rl}\frac{\partial V(s;\theta )}{\partial \theta }& =\frac{\partial {\sum }_a\pi (a|s;\theta )}{\partial \theta }\\ & =\sum _a\frac{\partial \pi (a|s;\theta )\cdot Q_{\pi }(s,a)}{\partial \theta }\\ & =\sum _a\frac{\partial \pi (a|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,a)\end{array}$$
如果动作$A$是离散的，直接带入就能把策略梯度算出来，但是实际运用中并不会直接使用这个公式，而是使用策略梯度的蒙特卡洛近似。

3.3策略梯度的两个公式推导

$$\begin{array}{rl}\frac{\partial V(s;\theta )}{\partial \theta }& =\sum _a\frac{\partial \pi (a|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,a)\\ & =\sum _a\pi (a|s;\theta )\cdot \frac{\partial \log \pi (a|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,a)\end{array}$$

这一步从上往下不好推导，我们可以从下往上推导：

$$\frac{\partial \log [\pi (\theta )]}{\partial \theta }=\frac{1}{\pi (\theta )}\cdot \frac{\partial \pi (\theta )}{\partial \theta }$$
$$\Rightarrow \pi (\theta )\cdot \frac{\partial \log [\pi (\theta )]}{\partial \theta }=\pi (\theta )\cdot \frac{1}{\pi (\theta )}\cdot \frac{\partial \pi (\theta )}{\partial \theta }=\frac{\partial \pi (\theta )}{\partial \theta }$$
这样我们就推导
$$\pi (\theta )\cdot \frac{\partial \log [\pi (\theta )]}{\partial \theta }=\frac{\partial \pi (\theta )}{\partial \theta }$$

我们接第一个推导继续推导

$$\begin{array}{rl}\frac{\partial V(s;\theta )}{\partial \theta }& =\sum _a\frac{\partial \pi (a|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,a)\\ & =\sum _a\pi (a|s;\theta )\cdot \frac{\partial \log \pi (a|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,a)\\ & ={\mathbb{E}}_{A\sim \pi (\bullet |s;\theta )}\left[\frac{\partial \log \pi (A|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,A)\right]\end{array}$$

实际上，下面中形式是等价的。

$$\frac{\partial V(s;\theta )}{\partial \theta }=\sum _a\frac{\partial \pi (a|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,a)$$

上面的公式对离散的动作空间适用，比如我们的超级玛丽游戏，我们只有三个动作。
$$\frac{\partial V(s;\theta )}{\partial \theta }={\mathbb{E}}_{A\sim \pi (\bullet |s;\theta )}\left[\frac{\partial \log \pi (A|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,A)\right]$$
上面的公式对连续的动作空间使用，比如说对动作空间是零到一之间的所有实数，我们就用蒙特卡洛近似的公式。

四、策略梯度算法的的步骤分解

4.1 动作空间离散的情况

首先我们对于每一个$a\in \mathcal{A}$都带入到策略梯度公式中，记为$\mathbf{f}(a,\theta )$
$$\mathbf{f}(a,\theta )=\frac{\partial \pi (a|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,a)$$

计算出每个离散值的$\mathbf{f}(a,\theta )$，我们可以将他们累加起来，得到策略梯度公式
$$\frac{\partial V(s;\theta )}{\partial \theta }=\mathbf{f}(\text{"left"},\theta )+\mathbf{f}(\text{"right"},\theta )+\mathbf{f}(\text{"up"},\theta )$$

但是如果动作空间是连续的，那么将会由无穷多个动作，这时在进行累加就比较困难，如果我们选择积分的话，由于策略函数是一个神经网络，那么我们无法直接计算出策略梯度，所以我们需要使用蒙特卡洛方法来计算。

4.2使用蒙特卡洛近似来计算策略梯度

蒙特卡洛方法的基本思想是通过大量随机抽样来近似期望值。对于强化学习中的价值函数估计，蒙特卡洛方法通过多次抽样，用随机样本来近似期望来更新模型。

公式 2:
$$\frac{\partial V(s;\theta )}{\partial \theta }={\mathbb{E}}_{A\sim \pi (\cdot |s;\theta )}\left[\frac{\partial \log \pi (A|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,A)\right]$$
这个公式表示状态价值函数 $V(s;\theta )$ 关于参数 $\theta$ 的梯度可以通过期望来计算。期望是在动作 $A$ 根据策略 $\pi (\cdot |s;\theta )$ 采样的情况下计算的，其中 $Q_{\pi }(s,A)$ 是在状态 $s$ 下采取动作 $A$ 的期望回报。

步骤解释

1. 随机采样动作：

   • 根据概率密度函数 $\pi (\cdot |s;\theta )$ 随机采样一个动作 $\hat{a}$。这意味着从策略定义的动作分布中抽取一个动作。

2. 计算 $g(\hat{a},\theta )$：

   • 计算 $g(\hat{a},\theta )=\frac{\partial \log \pi (\hat{a}|s;\theta )}{\partial \theta }\cdot Q_{\pi }(s,\hat{a})$。这里，$\frac{\partial \log \pi (\hat{a}|s;\theta )}{\partial \theta }$ 是策略的对数关于参数 $\theta$ 的梯度，$Q_{\pi }(s,\hat{a})$ 是在状态 $s$ 下采取动作 $\hat{a}$ 的期望回报。

3. 使用 $g(\hat{a},\theta )$ 作为策略梯度的近似：

   • 使用 $g(\hat{a},\theta )$ 作为策略梯度 $\frac{\partial V(s;\theta )}{\partial \theta }$ 的近似。这意味着通过单个动作的采样和计算得到的 $g(\hat{a},\theta )$ 可以用来估计整个策略梯度。

这种方法对于离散的也是适用的。

4.3 总结策略梯度算法

1. 观察状态 $s_t$：

   • 在时间步 $t$，观察或接收环境的当前状态 $s_t$。

2. 根据策略 $\pi (\cdot |s_t;{\theta }_t)$ 随机采样动作 $a_t$：

   • 根据当前策略 $\pi$（由参数 ${\theta }_t$ 定义）在状态 $s_t$ 下的概率分布，随机选择一个动作 $a_t$。

3. 计算 $q_t\approx Q_{\pi }(s_t,a_t)$（某种估计）：

   • 计算或估计在状态 $s_t$ 下采取动作 $a_t$ 的期望回报 $Q_{\pi }(s_t,a_t)$。这里 $q_t$ 是这个期望回报的估计值。

4. 对策略网络求导：

   • 计算策略网络关于参数 $\theta$ 的梯度 $d_{\theta ,t}$，即 $\frac{\partial \log \pi (a_t|s_t,\theta )}{\partial \theta }$ 在 $\theta ={\theta }_t$ 时的值。这个梯度表示策略参数如何影响选择特定动作 $a_t$ 的概率。

5. （近似）策略梯度：

   • 计算策略梯度的近似值 $g(a_t,{\theta }_t)=q_t\cdot d_{\theta ,t}$。这里，$q_t$ 是步骤3中计算的期望回报的估计值，$d_{\theta ,t}$ 是步骤4中计算的梯度。

6. 更新策略网络：

   • 使用梯度上升方法更新策略网络的参数 $\theta$。更新公式为 ${\theta }_{t+1}={\theta }_t+\beta \cdot g(a_t,{\theta }_t)$，其中 $\beta$ 是学习率，控制更新步长的大小。

五、动作价值函数$Q_{\pi }(s_t,a_t)$

其实我们一直没有说明动作价值函数$Q_{\pi }(s_t,a_t)$是什么，该如何得到。

我们并不知道$Q_{\pi }(s_t,a_t)$，并没有办法计算这个函数值，但是我们可以近似得到这个函数的值 $q_t\approx Q_{\pi }(s_t,a_t)$，我们有两个方法来近似$q_t$

5.1 方法一：reinforce

REINFORCE算法的核心思想是通过采样来估计策略梯度，并使用这个估计值来更新策略参数。

1. 生成轨迹：

   • 玩完一局游戏并生成轨迹：$s_1,a_1,r_1,s_2,a_2,r_2,\dots ,s_T,a_T,r_T$。这里，$s_t$ 是时间步 $t$ 的状态，$a_t$ 是时间步 $t$ 的动作，$r_t$ 是时间步 $t$ 的奖励，$T$ 是游戏的总时间步数。

2. 计算折扣回报：

   • 计算折扣回报 $u_t={\sum }_{k=t}^T{\gamma }^{k-t}{r}_k$，对于所有 $t$。这里，$\gamma$ 是折扣因子，用于权衡未来奖励的重要性。

3. 近似动作价值函数：

   • 由于 $Q_{\pi }(s_t,a_t)=\mathbb{E}[U_t]$，我们可以使用 $u_t$ 来近似 $Q_{\pi }(s_t,a_t)$。即 $q_t=u_t$。

解释

• 轨迹生成：通过与环境交互生成完整的轨迹，记录每个时间步的状态、动作和奖励。
• 折扣回报：计算从当前时间步 $t$ 到游戏结束的所有未来奖励的加权和，权重由折扣因子 $\gamma$ 决定。
• 近似动作价值：使用折扣回报 $u_t$ 作为动作价值函数 $Q_{\pi }(s_t,a_t)$ 的估计值 $q_t$。

这种方法的优点是简单且易于实现，但可能存在高方差的问题，因为折扣回报 $u_t$ 可能对单个样本的波动非常敏感。为了降低方差，可以使用基线方法或优势函数等技术进行改进。

5.2 方法二：使用神经网络近似

这个方法比较复杂，我会放到下一期进行讲解。