基于Stochastic Policy的深度强化学习方法

  在开始说基于Stochastic Policy的方法之前，我们需要了解一下Policy Gradient的方法。在Policy Gradient里面有一个非常重要的定理：Policy Gradient Theorem。

• Theorem：

  For any differentiable policy $\pi_{\theta}(a|s)$, for any of policy objective function $J = J_{1}，J_{avR}，J_{avV}$, the policy gradient is：

$\frac{\partial J(\theta)}{\partial \theta} = \mathbb{E}_{\pi_{\theta}}[\frac{\partial \text{log}\pi_{\theta}(a|s)}{\partial \theta}Q^{\pi_{\theta}}(s,a)]$

  上面这个式子也是Stochastic Policy里面的核心梯度公式，你可以不需要证明怎么来的，但是需要理解它背后的思想。

Policy Network Gradients

  如果我们的Policy用Neural Network来近似拟合，最后一层使用Softmax的话，那输出的动作概率可表示为如下函数形式：

$\pi_{\theta}(a | s)=\frac{e^{f_{\theta}(s, a)}}{\sum_{a^{\prime}} e^{f_{\theta}\left(s, a^{\prime}\right)}}$

  其中 $f_{\theta}(s,a)$ is the score function of a state-action pair parametrized by $\theta$, which can be implemented with a neural net。

  The gradient of its log-form可表示为：

$\begin{aligned} \frac{\partial \log \pi_{\theta}(a | s)}{\partial \theta} &=\frac{\partial f_{\theta}(s, a)}{\partial \theta}-\frac{1}{\left.\sum_{a^{\prime}} e^{f_{\theta}, a^{\prime}}\right)} \sum_{a^{\prime \prime}} e^{f_{\theta}\left(s, a^{\prime \prime}\right)} \frac{\partial f_{\theta}\left(s, a^{\prime \prime}\right)}{\partial \theta} \\ &=\frac{\partial f_{\theta}(s, a)}{\partial \theta}-\mathbb{E}_{a^{\prime} \sim \pi_{\theta}\left(a^{\prime} | s\right)}\left[\frac{\partial f_{\theta}\left(s, a^{\prime}\right)}{\partial \theta}\right] \end{aligned}$

  上述公式中最后一个等式很有意思，它是score function对某一个具体的动作 $a$ 求梯度，然后减去对所有动作的梯度的期望。(可以思考一下其背后的含义)。

Looking into Policy Gradient

  在Policy Network Gradients里面我们将策略引入Softmax函数进行了拆解求导，得到一个梯度，这个梯度还需要去乘上优势函数再拿去做更新，所以这里需要回顾一下Policy Gradient方法。

• Let $R(\pi)$ denote the expected return of $\pi$：

$R(\pi) = \mathbb{E}_{s_{0} \sim \rho_{0},a_{t} \sim \pi(\cdot|s_{t})} [\sum_{t=0}^{\infty} \gamma^{t}r_{t}]$

• We collect experience data with another policy $\pi_{old}$ ,and want to optimize some objective to get a new better policy $\pi$。

  由于强化学习的学习过程需要大量数据，所以我们必须从提高数据使用率，因此过去的policy采集所得到的数据，还是要拿过来用，由此也是off-policy的一种方法。

• Note that a useful identity

$R(\pi) = R(\pi_{old}) + \mathbb{E}_{\tau \sim \pi}[\sum_{t=0}^{\infty}\gamma^{t} A^{\pi_{old}}(s_{t},a_{t})]$

  其中的 $\mathbb{E}_{\tau \sim \pi}$可以Trajectories sampled from $\pi$。 $A^{\pi_{old}}$ 表示的是优势函数。

  Advantage function展开表示如下：

$A^{\pi_{old}}(s,a) = \mathbb{E}_{s^{\prime} \sim \rho(s^{\prime}|s,a)}[r(s) + \gamma V^{\pi_{old}}(s^{\prime} )-V^{\pi_{old}}(s)]$

很多时候你也会看到一些简洁的表达，比如 $A(s,a) = Q(s,a) -V(s)$，其中 $V(s)$描述的是baseline的思想，而 $A(s,a)$表达的是每个动作选择的好坏，而 $V^{\pi}(s) = \sum_{a}\pi(a|s)Q^{\pi}(s,a)$。

Proof

$R(\pi) = R(\pi_{old}) + \mathbb{E}_{\tau \sim \pi}[\sum_{t=0}^{\infty}\gamma^{t} A^{\pi_{old}}(s_{t},a_{t})]$

  对上述等式证明：

$\begin{aligned} \mathbb{E}_{\tau \sim \pi}\left[\sum_{t=0}^{\infty} \gamma^{t} A^{\pi_{\mathrm{old}}}\left(s_{t}, a_{t}\right)\right] &=\mathbb{E}_{\tau \sim \pi}\left[\sum_{t=0}^{\infty} \gamma^{t}\left(r\left(s_{t}\right)+\gamma V^{\pi_{\mathrm{old}}}\left(s_{t+1}\right)-V^{\pi_{\mathrm{old}}\left(s_{t}\right)}\right)\right] \\ &=\mathbb{E}_{\tau \sim \pi}\left[-V^{\pi_{\mathrm{old}}}\left(s_{0}\right)+\sum_{t=0}^{\infty} \gamma^{t} r\left(s_{t}\right)\right] \\ &=-\mathbb{E}_{s_{0}}\left[V^{\pi_{\mathrm{old}}}\left(s_{0}\right)\right]+\mathbb{E}_{\tau \sim \pi}\left[\sum_{t=0}^{\infty} \gamma^{t} r\left(s_{t}\right)\right]\\ &=-R\left(\pi_{\mathrm{old}}\right)+R(\pi) \end{aligned}$

  那上述公式的直观理解是什么样子的呢？相当于是在老的policy基础之上做一点改进，而改进的优势函数又是基于old policy所得出来的，但action是基于新的策略 $\pi$选出来的，所以及时奖励会去修正原来Old policy得出来的 $V$。

• S. Kakadeand J. Langford. Approximately optimal approximate reinforcement learning. ICML. 2002.

More for the Policy Expected Return

  我们再来分析一下advantage function：

$A^{\pi_{old}}(s,a) = \mathbb{E}_{s^{\prime} \sim \rho(s^{\prime}|s,a)}[r(s) + \gamma V^{\pi_{old}}(s^{\prime} )-V^{\pi_{old}}(s)]$

  Want to manipulate $R(\pi)$ into an objective that can be estimated from data :

$\begin{aligned} R(\pi) &=R\left(\pi_{\text {old }}\right)+\mathbb{E}_{\tau \sim \pi}\left[\sum_{t=0}^{\infty} \gamma^{t} A^{\pi_{\text {old }}}\left(s_{t}, a_{t}\right)\right] \\ &=R\left(\pi_{\text {old }}\right)+\sum_{t=0}^{\infty} \sum_{s} P\left(s_{t}=s | \pi\right) \sum_{a} \pi(a | s) \gamma^{t} A^{\pi_{\text {old }}}(s, a) \\ &=R\left(\pi_{\text {old }}\right)+\sum_{s} \sum_{t=0}^{\infty} \gamma^{t} P\left(s_{t}=s | \pi\right) \sum_{a} \pi(a | s) A^{\pi_{\text {old }}}(s, a) \\ &=R\left(\pi_{\text {old }}\right)+\sum_{s} \rho_{\pi}(s) \sum_{a} \pi(a | s) A^{\pi_{\text {old }}}(s, a) \end{aligned}$

  其中 $\rho_{\pi}(s)$表示的是基于当前策略 $\pi$， $s$被采样采中的概率，乘以它是哪一次被采中的概率 $\gamma^{t}$。

  但是上述等式依然要从新的策略 $\pi$里面去sample数据，当策略改变之后，要重新sample数据才可以更新。为了解决这个问题，引入重要性采样。

$\begin{aligned} R(\pi) &=R\left(\pi_{\text {old }}\right)+\sum_{s} \rho_{\pi}(s) \sum_{a} \pi(a | s) A^{\pi_{\text {old }}}(s, a) \\ &=R\left(\pi_{\text {old }}\right)+\mathbb{E}_{s \sim \pi, a \sim \pi}\left[A^{\pi_{\text {old }}}(s, a)\right] \\ &=R\left(\pi_{\text {old }}\right)+\mathbb{E}_{s \sim \pi, a \sim \pi_{\text {old }}}\left[\frac{\pi(a | s)}{\pi_{\text {old }}(a | s)} A^{\pi_{\text {old }}}(s, a)\right] \end{aligned}$

  也就是state $s$ 从新的policy采样， $a$从old policy采样。上面这一步是完全恒等，但是 $s$ 依然需要从新的policy上面来采样。

Surrogate Loss Function

• Define a surrogate loss function based on sampled data that ignores change in state distribution ：

$L(\pi) = \mathbb{E}_{s \sim \pi_{old}, a \sim \pi_{\text {old }}}\left[\frac{\pi(a | s)}{\pi_{\text {old }}(a | s)} A^{\pi_{\text {old }}}(s, a)\right]$

  此时数据可以完全由old ploicy采样得到。这个可替代(surrogate)的loss function与之前的loss function区别就在于state是从哪个policy sample出来的。上述等式能够替代的条件是old policy和新的policy差距不要太大。

• 小节：

  现在我们来对上述过程做一个小结：

  开始我们是有一个Target function ：

$R(\pi) =R\left(\pi_{\text {old }}\right)+\mathbb{E}_{s \sim \pi, a \sim \pi}[ \pi(a | s) A^{\pi_{\text {old }}}(s, a) ]$

  之后通过重要性采样，使得其在old policy上采样：

$L(\pi) = \mathbb{E}_{s \sim \pi_{old}, a \sim \pi_{\text {old }}}\left[\frac{\pi(a | s)}{\pi_{\text {old }}(a | s)} A^{\pi_{\text {old }}}(s, a)\right]$

  然后我们对其进行求导：

$\begin{aligned} \left.\nabla_{\theta} L\left(\pi_{\theta}\right)\right|_{\theta_{\text {old }}} &=\left.\mathbb{E}_{s \sim \pi_{\text {old }}, a \sim \pi_{\text {old }}}\left[\frac{\nabla_{\theta} \pi_{\theta}(a | s)}{\pi_{\text {old }}(a | s)} A^{\pi_{\text {old }}}(s, a)\right]\right|_{\theta_{\text {old }}} \\ &=\left.\mathbb{E}_{s \sim \pi_{\text {old }}, a \sim \pi_{\text {old }}}\left[\frac{\pi_{\theta}(a | s) \nabla_{\theta} \log \pi_{\theta}(a | s)}{\pi_{\text {old }}(a | s)} A^{\pi_{\text {old }}}(s, a)\right]\right|_{\theta_{\text {old }}} \\ &=\left.\mathbb{E}_{s \sim \pi_{\text {old }}, a \sim \pi_{\theta}}\left[\nabla_{\theta} \log \pi_{\theta}(a | s) A^{\pi_{\text {old }}}(s, a)\right]\right|_{\theta_{\text {old }}} \\ &=\left.\nabla_{\theta} R\left(\pi_{\theta}\right)\right|_{\theta_{\text {old }}} \end{aligned}$

我的微信公众号名称：深度学习与先进智能决策
微信公众号ID：MultiAgent1024
公众号介绍：主要研究分享深度学习、机器博弈、强化学习等相关内容！期待您的关注，欢迎一起学习交流进步！