lec-5-Policy Gradients

直接策略微分

• Goal：
• idea：求最大值：直接求导
• tip：利用log导数等式进行变换
  
  
• 具体推导：
  
  

理解策略梯度

假定开始policy服从高斯分布，采样得到回报，计算梯度，根据reward增加动作概率，改变policy分布

• 会发生的错误：高方差
  • 当采样有负奖励样本的时候（绿色奖励），原本policy改变向右移动更多（最右边的虚曲线）；改变奖励（添加常量），变为正奖励（黄色奖励），向右移动的少了（中间虚曲线），从而这导致了高差异（相比于之前的曲线）。
  • 如果对于无限样本，不会导致差异。
  • 如果回报为0，那么它们的policy梯度就不重要。

减少方差

• 因果关系：放弃过去的回报，policy不会影响t之前的回报
  
  
• Baselines：不会改变期望值，会改变方差
  
  
  
  一般取b为回报均值：【but使得方差最小（即方差为0）的b不是回报均值】

Off-policy PG

• REINFORCE algorithm（on-policy）
  
  
  • 缺点：每次改进参数都要扔掉样本（样本利用率低）；单步梯度更新
  • 在基本RL过程中的表示：
    
    
• 重要性采样原理（IS）：实现从on-policy到off-policy
  • 原理：
    
    
  • 应用于RL：重用以前的policy（用 旧policy 进行采样，然后改进参数）
    
    
• 应用
  • 使用自动差分器：伪loss进行反向传播
  • 实际要考虑
    • 梯度的高方差
    • 批量学习batch size
    • 学习率的调整learning rate
    • 优化器的选择optimizers

Advanced PG

• 学习率的难题
  
  policy参数服从高斯分布，梯度总会趋向于更小的方差的方向移动，方差就成了决定性因素，均值就不动了，梯度速度就慢了，继而收敛慢了。故学习率调整的难题，如果 速度小，学习率大，会使得policy在均值方向上很快不动。
• 自然梯度
• 自动步长调整
  
  .....

---

Resource：CS285官网资料

版权归原作者 Lee_ing 所有

未经原作者允许不得转载本文内容，否则将视为侵权;转载或者引用本文内容请注明来源及原作者