文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

【强化学习PPO算法】

2023-09-07 17:15

关注

强化学习PPO算法


  最近再改一个代码,需要改成PPO方式的,由于之前没有接触过此类算法,因此进行了简单学习,论文没有看的很详细,重点看了实现部分,这里只做简单记录。
  这里附上论文链接,需要的可以详细看一下。
   Proximal Policy Optimization Algorithms.

一、PPO算法

  PPO算法本质上是一个On-Policy的算法,它可以对采样到的样本进行多次利用,在一定程度上解决样本利用率低的问题,收到较好的效果。论文里有两种实现方式,一种是结合KL的penalty的,另一种是clip裁断的方法。大部分都是采用的后者,本文记录的也主要是后者的实现。

二、伪代码

  在网上找了一下伪代码,大概两类,前者是Open AI的,比较精炼,后者是Deepmind的,写的比较详细,在这里同时附上.

在这里插入图片描述

在这里插入图片描述

三、相关的简单理论

1.ratio

在这里插入图片描述
  这里的比例ratio,是两种策略下动作的概率比,而在程序实现中,用的是对动作分布取对数,而后使用e指数相减的方法,具体实现如下所示:

action_logprobs = dist.log_prob(action)ratios = torch.exp(logprobs - old_logprobs.detach())

2.裁断

在这里插入图片描述
  其中,裁断对应的部分如下图所示:
在这里插入图片描述
  上述公式代表的含义如下:
  clip公式含义.
在这里插入图片描述
  这里我是这样理解的:
  (1)如果A>0,说明现阶段的(st,at)相对较好,那么我们希望该二元组出现的概率越高越好,即ratio中的分子越大越好,但是分母分子不能差太多,因此需要加一个上限;
  (2)如果A<0,说明现阶段的(st,at)相对较差,那么我们希望该二元组出现的概率越低越好,即ratio中的分子越小越好,但是分母分子不能差太多,因此需要加一个下限.

3.Advantage的计算

  论文里计算At的方式如下,在一些情况下可以令lamda为1;还有一种更常用的计算方式是VAE,这里不进行描述.。
在这里插入图片描述
  对应的代码块如下:

 def update(self, memory):        # Monte Carlo estimate of rewards:        rewards = []        discounted_reward = 0        for reward, is_terminal in zip(reversed(memory.rewards), reversed(memory.is_terminals)):            if is_terminal:                discounted_reward = 0            discounted_reward = reward + (self.gamma * discounted_reward)            rewards.insert(0, discounted_reward)

4.loss的计算

在这里插入图片描述
  这里的第一项,对应裁断项,需要计算ratio和Advantage,之后进行裁断;
  这里的第二项,对应的为对应的值的均方误差;
  这里的第三项,为交叉熵
  程序的实现如下所示:

surr1 = ratios * advantagessurr2 = torch.clamp(ratios, 1 - self.eps_clip, 1 + self.eps_clip) * advantagesloss = -torch.min(surr1, surr2) + 0.5 * self.MseLoss(state_values, rewards) - 0.01 * dist_entropy

四、算法实现

  这里算法的实现参考了一位博主
  PPO代码.

#!/usr/bin/python3# -*-coding:utf-8 -*-# @Time    : 2022/6/18 15:53# @Author  : Wang xiangyu# @File    : PPO.pyimport torchimport torch.nn as nnfrom torch.distributions import MultivariateNormalimport gymimport numpy as npdevice = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")class Memory:    def __init__(self):        self.actions = []        self.states = []        self.logprobs = []        self.rewards = []        self.is_terminals = []    def clear_memory(self):        # del语句作用在变量上,而不是数据对象上。删除的是变量,而不是数据。        del self.actions[:]        del self.states[:]        del self.logprobs[:]        del self.rewards[:]        del self.is_terminals[:]class ActorCritic(nn.Module):    def __init__(self, state_dim, action_dim, action_std):        super(ActorCritic, self).__init__()        # action mean range -1 to 1        self.actor = nn.Sequential(            nn.Linear(state_dim, 64),            nn.Tanh(),            nn.Linear(64, 32),            nn.Tanh(),            nn.Linear(32, action_dim),            nn.Tanh()        )        # critic        self.critic = nn.Sequential(            nn.Linear(state_dim, 64),            nn.Tanh(),            nn.Linear(64, 32),            nn.Tanh(),            nn.Linear(32, 1)        )        # 方差        self.action_var = torch.full((action_dim,), action_std * action_std).to(device)    def forward(self):        # 手动设置异常        raise NotImplementedError    def act(self, state, memory):        action_mean = self.actor(state)        cov_mat = torch.diag(self.action_var).to(device)        dist = MultivariateNormal(action_mean, cov_mat)        action = dist.sample()        action_logprob = dist.log_prob(action)        memory.states.append(state)        memory.actions.append(action)        memory.logprobs.append(action_logprob)        return action.detach()    def evaluate(self, state, action):        action_mean = self.actor(state)        action_var = self.action_var.expand_as(action_mean)        # torch.diag_embed(input, offset=0, dim1=-2, dim2=-1) → Tensor        # Creates a tensor whose diagonals of certain 2D planes (specified by dim1 and dim2) are filled by input        cov_mat = torch.diag_embed(action_var).to(device)        # 生成一个多元高斯分布矩阵        dist = MultivariateNormal(action_mean, cov_mat)        # 我们的目的是要用这个随机的去逼近真正的选择动作action的高斯分布        action_logprobs = dist.log_prob(action)        # log_prob 是action在前面那个正太分布的概率的log ,我们相信action是对的 ,        # 那么我们要求的正态分布曲线中点应该在action这里,所以最大化正太分布的概率的log, 改变mu,sigma得出一条中心点更加在a的正太分布。        dist_entropy = dist.entropy()        state_value = self.critic(state)        return action_logprobs, torch.squeeze(state_value), dist_entropyclass PPO:    def __init__(self, state_dim, action_dim, action_std, lr, betas, gamma, K_epochs, eps_clip):        self.lr = lr        self.betas = betas        self.gamma = gamma        self.eps_clip = eps_clip        self.K_epochs = K_epochs        self.policy = ActorCritic(state_dim, action_dim, action_std).to(device)        self.optimizer = torch.optim.Adam(self.policy.parameters(), lr=lr, betas=betas)        self.policy_old = ActorCritic(state_dim, action_dim, action_std).to(device)        self.policy_old.load_state_dict(self.policy.state_dict())        self.MseLoss = nn.MSELoss()    def select_action(self, state, memory):        state = torch.FloatTensor(state.reshape(1, -1)).to(device)        return self.policy_old.act(state, memory).cpu().data.numpy().flatten()    def update(self, memory):        # Monte Carlo estimate of rewards:        rewards = []        discounted_reward = 0        for reward, is_terminal in zip(reversed(memory.rewards), reversed(memory.is_terminals)):            if is_terminal:                discounted_reward = 0            discounted_reward = reward + (self.gamma * discounted_reward)            rewards.insert(0, discounted_reward)        # Normalizing the rewards:        rewards = torch.tensor(rewards, dtype=torch.float32).to(device)        rewards = (rewards - rewards.mean()) / (rewards.std() + 1e-5)        # convert list to tensor        # 使用stack可以保留两个信息:[1. 序列] 和 [2. 张量矩阵] 信息,属于【扩张再拼接】的函数;        old_states = torch.squeeze(torch.stack(memory.states).to(device), 1).detach()        old_actions = torch.squeeze(torch.stack(memory.actions).to(device), 1).detach()        old_logprobs = torch.squeeze(torch.stack(memory.logprobs), 1).to(device).detach()#这里即可以对样本进行多次利用,提高利用率        # Optimize policy for K epochs:        for _ in range(self.K_epochs):            # Evaluating old actions and values :            logprobs, state_values, dist_entropy = self.policy.evaluate(old_states, old_actions)            # Finding the ratio (pi_theta / pi_theta__old):            ratios = torch.exp(logprobs - old_logprobs.detach())            # Finding Surrogate Loss:            advantages = rewards - state_values.detach()            surr1 = ratios * advantages            surr2 = torch.clamp(ratios, 1 - self.eps_clip, 1 + self.eps_clip) * advantages            loss = -torch.min(surr1, surr2) + 0.5 * self.MseLoss(state_values, rewards) - 0.01 * dist_entropy            # take gradient step            self.optimizer.zero_grad()            loss.mean().backward()            self.optimizer.step()        # Copy new weights into old policy:        self.policy_old.load_state_dict(self.policy.state_dict())def main():    ############## Hyperparameters ##############    env_name = "Pendulum-v1"    render = False    solved_reward = 300  # stop training if avg_reward > solved_reward    log_interval = 20  # print avg reward in the interval    max_episodes = 10000  # max training episodes    max_timesteps = 1500  # max timesteps in one episode    update_timestep = 4000  # update policy every n timesteps    action_std = 0.5  # constant std for action distribution (Multivariate Normal)    K_epochs = 80  # update policy for K epochs    eps_clip = 0.2  # clip parameter for PPO    gamma = 0.99  # discount factor    lr = 0.0003  # parameters for Adam optimizer    betas = (0.9, 0.999)    #############################################    # creating environment    env = gym.make(env_name)    state_dim = env.observation_space.shape[0]    action_dim = env.action_space.shape[0]    memory = Memory()    ppo = PPO(state_dim, action_dim, action_std, lr, betas, gamma, K_epochs, eps_clip)    print(lr, betas)    # logging variables    running_reward = 0    avg_length = 0    time_step = 0    # training loop    for i_episode in range(1, max_episodes + 1):        state = env.reset()        for t in range(max_timesteps):            time_step += 1            # Running policy_old:            action = ppo.select_action(state, memory)            state, reward, done, _ = env.step(action)            # Saving reward and is_terminals:            memory.rewards.append(reward)            memory.is_terminals.append(done)            # update if its time            if time_step % update_timestep == 0:                ppo.update(memory)                memory.clear_memory()                time_step = 0            running_reward += reward            if render:                env.render()            if done:                break        avg_length += t+1        # stop training if avg_reward > solved_reward        if running_reward > (log_interval * solved_reward):            print("########## Solved! ##########")            torch.save(ppo.policy.state_dict(), './PPO_continuous_solved_{}.pth'.format(env_name))            break        # save every 500 episodes        if i_episode % 500 == 0:            torch.save(ppo.policy.state_dict(), './PPO_continuous_{}.pth'.format(env_name))        # logging        if i_episode % log_interval == 0:            avg_length = int(avg_length / log_interval)            running_reward = int((running_reward / log_interval))            print('Episode {} \t Avg length: {} \t Avg reward: {}'.format(i_episode, avg_length, running_reward))            running_reward = 0            avg_length = 0if __name__ == '__main__':    main()

五、效果

  可以看到经过一段时间的训练,奖励有了一定升高.

在这里插入图片描述
在这里插入图片描述

六、感悟

  感悟是对改的项目的总结,和本文没有什么关系。
  这次改的项目参考了PPO的代码,架子基本也是搭好的,所以改起来也没有想象的那么困难。但应该是我第一次改代码,之前只是看代码,从来没有尝试改过那么多,可以感觉到看代码和改代码这两个能力间差的真的很多,写代码就更困难了emm,可以说经过这一次,可以更好的看到和别人的差距,不过对自己也有很大提高。在以后的学习中,还是需要多看多写,逐步提高。

来源地址:https://blog.csdn.net/weixin_47471559/article/details/125593870

阅读原文内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     813人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     354人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     318人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     435人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     224人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯