PPO（Proximal Policy Optimization）

PPO是2017年由OpenAI提出的一種基于隨機策略的DRL算法，也是當(dāng)前OpenAI的默認(rèn)算法。

PPO是一種Actor-Critic算法。它的主要改進在它的Actor部分。

我們知道，Policy Gradient算法的訓(xùn)練過程中，始終存在著new Policy和old Policy這樣一對矛盾。

一方面，我們需要new Policy和old Policy有一定的差異，防止模型收斂到局部最優(yōu)。

另一方面，兩者的差異又不能太大，否則，模型的訓(xùn)練將無法收斂。

那么，如何衡量new Policy和old Policy的差異程度呢？

PPO的答案是：我們可以用兩種Policy得到的動作的概率分布的KL散度，來描述這種差異。

具體的做法是在$J(\theta )$上添加一個KL懲罰項：

$$J_{PPO}^{{\theta }^k}(\theta )=J^{{\theta }^k}(\theta )?\beta KL(\theta ,{\theta }^k)$$

這里的懲罰系數(shù)$\beta$可以是定值，也可以是一個自適應(yīng)的值。例如，我們可以在KL值小于最小閾值時，減小$\beta$，在KL值大于最大閾值時，增大$\beta$。

除了KL懲罰項之外，還可以使用clip來限制Gradient的大小，這就是PPO2的做法。

和A3C類似，PPO也有一個分布式版本，叫做DPPO（Distributed Proximal Policy Optimization）。

參考：

https://www.jianshu.com/p/f4d383b0bd4c

TRPO與PPO實現(xiàn)

https://bluefisher.github.io/2018/07/03/Proximal-Policy-Optimization-Algorithms/

Proximal Policy Optimization Algorithms

https://www.jianshu.com/p/9f113adc0c50

Proximal Policy Optimization(PPO)算法原理及實現(xiàn)！

https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/6-4-DPPO/

Distributed Proximal Policy Optimization(DPPO)

IMPALA

論文：

《IMPALA: Scalable Distributed Deep-RL with Importance Weighted Actor-Learner Architectures》

代碼：

https://github.com/deepmind/lab/tree/master/game_scripts/levels/contributed/dmlab30

IMPALA是DeepMind于2018年提出的。

IMPALA的靈感來自于熱門的A3C架構(gòu)（上圖左），后者使用多個分布式actor來學(xué)習(xí)agent的參數(shù)。在類似這樣的模型中，每個actor都使用策略參數(shù)的一個副本，在環(huán)境中操作。actor會周期性地暫停探索，將它們已經(jīng)計算得出的梯度信息分享至中央?yún)?shù)服務(wù)器，而后者會對此進行更新。

與此不同，IMPALA（上圖中）中的actor不會被用來計算梯度信息。它們只是收集經(jīng)驗，并將這些經(jīng)驗傳遞至位于中心的learner。learner會計算梯度。因此在這樣的模型中，actor和learner是完全獨立的。

為了利用當(dāng)代計算系統(tǒng)的規(guī)模優(yōu)勢，IMPALA在配置中可支持單個learner機器，也可支持多個相互之間同步的learner機器（上圖右）。

由于actor只用于環(huán)境采樣，而這個任務(wù)通常是一個仿真環(huán)境（例如游戲模擬器），因此它和learner在計算側(cè)重點上有很大差異（例如在游戲領(lǐng)域，actor更側(cè)重于仿真、渲染。），所以actor和learner的軟硬件可以是異構(gòu)的。

其次，由于Actor無須計算梯度，因此就可以一直采樣，而無須等待策略的更新，這也是它和Batched A2C的最大區(qū)別。

上圖展示了這種差異，A2C采樣了一個Batch之后，所有的actor都要停下來計算梯度，而IMPALA中的actor可以一直采樣，從而大大提高了采樣效率。

上圖中的Batched A2C(sync step)和Batched A2C(sync traj)的區(qū)別在于：前者每次采樣之后都要同步，這對于采樣時間差異較大的例子，顯然效率是很低下的。而后者是采樣一批之后，再同步。

不過這種操作和學(xué)習(xí)的解耦也導(dǎo)致actor的策略落后于learner。為了彌補這樣的差距，IMPALA還引入了V-trace技術(shù)。

參考：

https://zhuanlan.zhihu.com/p/56043646

AlphaStar之IMPALA

https://mp.weixin.qq.com/s/1zJyw67B6DqsHEJ3avbsfQ

DeepMind推出分布式深度強化學(xué)習(xí)架構(gòu)IMPALA，讓一個Agent學(xué)會多種技能

reward modeling

訓(xùn)練一個獎勵模型，其中包含來自用戶的反饋，從而捕捉他們的意圖。與此同時，我們通過強化學(xué)習(xí)訓(xùn)練一個策略，使獎勵模型的獎勵最大化。換句話說，我們把學(xué)習(xí)做什么(獎勵模型)和學(xué)習(xí)怎么做(策略)區(qū)分開來。

參考：

https://mp.weixin.qq.com/s/4yGQtHtMqWlaB7MAsr8T_g

DeepMind重磅論文：通過獎勵模型，讓AI按照人類意圖行事

https://mp.weixin.qq.com/s/TIWnnCmVZnFQNH9Fig5aTw

DeepMind發(fā)布新獎勵機制：讓智能體不再“碰瓷”

Hierarchical RL

之前已經(jīng)提到，在DeepMind測試的40多款游戲中，有那么幾款游戲無論怎么訓(xùn)練，結(jié)果都是0，也就是DQN完全無效。上面就是其中最知名的代表游戲《Montezuma’s Revenge》。這是一個解謎游戲，比如圖中要拿到鑰匙，然后去開門。這對我們而言是通過先驗知識得到的。但是很難想象計算機如何僅僅通過圖像感知這些內(nèi)容。感知不到，那么這種游戲也就無從解決。

論文：

《Hierarchical Deep Reinforcement Learning: Integrating Temporal Abstraction and Intrinsic Motivation》

該論文的主要思路就是，弄一個兩個層級的神經(jīng)網(wǎng)絡(luò)，頂層用于決策，確定下一步的目標(biāo)，底層用于具體行為。

這里的內(nèi)在目標(biāo)是人工確定的，因此智能程度不高，但是比較實用。

其他算法：

FuN (FeUdal Networks for Hierarchical Reinforcement Learning)

HIRO (Data Efficient Hierarchical Reinforcement Learning)

HAC (Learning Multi-Level Hierarchies with Hindsight)

參考：

https://zhuanlan.zhihu.com/p/78098982

Hierarchical IL/RL(ICML 2018)

https://blog.csdn.net/zhkmxx930xperia/article/details/87742722

Integrating Temporal Abstraction and Intrinsic Motivation

https://blog.csdn.net/songrotek/article/details/51384752

DRL前沿之：Hierarchical Deep Reinforcement Learning

https://mp.weixin.qq.com/s/IYyGgnoXZm6YfamLejqoNQ

深度強化學(xué)習(xí)試金石：DeepMind和OpenAI攻克蒙特祖瑪復(fù)仇的真正意義

https://mp.weixin.qq.com/s/iBWjobr9srhB3MTiE_Wwmg

史上最強Atari游戲通關(guān)算法：蒙特祖瑪獲分超過200萬！

OpenAI

OpenAI，由諸多硅谷大亨（Elon Musk等）聯(lián)合建立的人工智能非營利組織。

官網(wǎng)：

https://openai.com/

github：

https://github.com/openai

Baselines

若干經(jīng)典RL算法的實現(xiàn)，包括A2C、DQN等。

代碼：

https://github.com/openai/baselines

Gym

Openai gym是一個用于開發(fā)和比較強化學(xué)習(xí)（reinforcement learning，RL）算法的工具包，與其他的數(shù)值計算庫兼容，如tensorflow或者theano庫。現(xiàn)在主要支持的是python語言，以后將支持其他語言。

官網(wǎng)：

https://gym.openai.com/

sudo apt install libffi-dev swig git clone https://github.com/openai/gym cd gym pip install -e . # minimal install pip install -e .[all] # all install

這里選擇minimal install就可以了，all install需要安裝MuJoCo，而后者是收費軟件。

和Gym配套的還有一個算法庫：

https://github.com/openai/baselines

當(dāng)然，看名字也知道這只是一個簡單的算法庫。

參考：

http://tech.163.com/16/0510/09/BMMOPSCR00094OE0.html

馬斯克的AI野心——OpenAI Gym系統(tǒng)深度解析

https://mp.weixin.qq.com/s/KK1gwDW2EyptZOiuFjyAlw

OpenAI發(fā)布強化學(xué)習(xí)環(huán)境Gym Retro：支持千種游戲

https://blog.csdn.net/jinzhuojun/article/details/77144590

常用增強學(xué)習(xí)實驗環(huán)境 I (MuJoCo, OpenAI Gym, rllab, DeepMind Lab, TORCS, PySC2)

https://blog.csdn.net/jinzhuojun/article/details/78508203

常用增強學(xué)習(xí)實驗環(huán)境 II (ViZDoom, Roboschool, TensorFlow Agents, ELF, Coach等)

https://mp.weixin.qq.com/s/0oVG7zMi08dzMQrk43T3mw

像訓(xùn)練Dota2一樣訓(xùn)練真實機器人？Gibson Environment環(huán)境了解一下

https://mp.weixin.qq.com/s/_A0q8DFAsIclaofVgZfjMA

定制股票交易OpenAI Gym強化學(xué)習(xí)環(huán)境

https://blog.csdn.net/gsww404/article/details/80627892

OpenAI-baselines的使用方法

RND

OpenAI最近開發(fā)了RND（Random Network Distillation），一種基于預(yù)測的強化學(xué)習(xí)算法，用于鼓勵強化學(xué)習(xí)代理通過好奇心來探索他們所處環(huán)境。在游戲任務(wù)Montezuma’s Revenge上首次超過人類的平均表現(xiàn)。

blog：

https://blog.openai.com/reinforcement-learning-with-prediction-based-rewards/

Reinforcement Learning with Prediction-Based Rewards

代碼：

https://github.com/openai/random-network-distillation

總結(jié)

以上是生活随笔為你收集整理的深度学习（四十二）——深度强化学习（5）PPO, IMPALA, Hierarchical RL, OpenAI的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。