元のリソースであるAndrej Karpathyブログから、ポリシーグラデーションの非常に単純な例を再現しようとしています。その記事には、カートポールとポリシーグラディエントの例と、ウェイトとソフトマックスのアクティブ化のリストがあります。これは、完璧に機能する CartPoleポリシーグラディエントの非常に単純な再作成例です。
import gym
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import PolynomialFeatures
import copy
NUM_EPISODES = 4000
LEARNING_RATE = 0.000025
GAMMA = 0.99
# noinspection PyMethodMayBeStatic
class Agent:
def __init__(self):
self.poly = PolynomialFeatures(1)
self.w = np.random.rand(5, 2)
def policy(self, state):
z = state.dot(self.w)
exp = np.exp(z)
return exp/np.sum(exp)
def __softmax_grad(self, softmax):
s = softmax.reshape(-1,1)
return np.diagflat(s) - np.dot(s, s.T)
def grad(self, probs, action, state):
dsoftmax = self.__softmax_grad(probs)[action,:]
dlog = dsoftmax / probs[0,action]
grad = state.T.dot(dlog[None,:])
return grad
def update_with(self, grads, rewards):
for i in range(len(grads)):
# Loop through everything that happend in the episode
# and update towards the log policy gradient times **FUTURE** reward
total_grad_effect = 0
for t, r in enumerate(rewards[i:]):
total_grad_effect += r * (GAMMA ** r)
self.w += LEARNING_RATE * grads[i] * total_grad_effect
print("Grads update: " + str(np.sum(grads[i])))
def main(argv):
env = gym.make('CartPole-v0')
np.random.seed(1)
agent = Agent()
complete_scores = []
for e in range(NUM_EPISODES):
state = env.reset()[None, :]
state = agent.poly.fit_transform(state)
rewards = []
grads = []
score = 0
while True:
probs = agent.policy(state)
action_space = env.action_space.n
action = np.random.choice(action_space, p=probs[0])
next_state, reward, done,_ = env.step(action)
next_state = next_state[None,:]
next_state = agent.poly.fit_transform(next_state.reshape(1, 4))
grad = agent.grad(probs, action, state)
grads.append(grad)
rewards.append(reward)
score += reward
state = next_state
if done:
break
agent.update_with(grads, rewards)
complete_scores.append(score)
env.close()
plt.plot(np.arange(NUM_EPISODES),
complete_scores)
plt.savefig('image1.png')
if __name__ == '__main__':
main(None)
。
。
質問
私はしようとしていますが、ほとんど同じ例ですが、Sigmoidアクティベーションを使用しています（単純にするため）。それが私がする必要があるすべてです。モデルのアクティブ化をからsoftmaxに切り替えますsigmoid。どちらも確実に機能するはずです（以下の説明に基づく）。しかし、私のポリシーグラディエントモデルは何も学習せず、ランダムに保ちます。なにか提案を？
import gym
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import PolynomialFeatures
NUM_EPISODES = 4000
LEARNING_RATE = 0.000025
GAMMA = 0.99
# noinspection PyMethodMayBeStatic
class Agent:
def __init__(self):
self.poly = PolynomialFeatures(1)
self.w = np.random.rand(5, 1) - 0.5
# Our policy that maps state to action parameterized by w
# noinspection PyShadowingNames
def policy(self, state):
z = np.sum(state.dot(self.w))
return self.sigmoid(z)
def sigmoid(self, x):
s = 1 / (1 + np.exp(-x))
return s
def sigmoid_grad(self, sig_x):
return sig_x * (1 - sig_x)
def grad(self, probs, action, state):
dsoftmax = self.sigmoid_grad(probs)
dlog = dsoftmax / probs
grad = state.T.dot(dlog)
grad = grad.reshape(5, 1)
return grad
def update_with(self, grads, rewards):
if len(grads) < 50:
return
for i in range(len(grads)):
# Loop through everything that happened in the episode
# and update towards the log policy gradient times **FUTURE** reward
total_grad_effect = 0
for t, r in enumerate(rewards[i:]):
total_grad_effect += r * (GAMMA ** r)
self.w += LEARNING_RATE * grads[i] * total_grad_effect
def main(argv):
env = gym.make('CartPole-v0')
np.random.seed(1)
agent = Agent()
complete_scores = []
for e in range(NUM_EPISODES):
state = env.reset()[None, :]
state = agent.poly.fit_transform(state)
rewards = []
grads = []
score = 0
while True:
probs = agent.policy(state)
action_space = env.action_space.n
action = np.random.choice(action_space, p=[1 - probs, probs])
next_state, reward, done, _ = env.step(action)
next_state = next_state[None, :]
next_state = agent.poly.fit_transform(next_state.reshape(1, 4))
grad = agent.grad(probs, action, state)
grads.append(grad)
rewards.append(reward)
score += reward
state = next_state
if done:
break
agent.update_with(grads, rewards)
complete_scores.append(score)
env.close()
plt.plot(np.arange(NUM_EPISODES),
complete_scores)
plt.savefig('image1.png')
if __name__ == '__main__':
main(None)すべての学習をプロットすると、ランダムになります。ハイパーパラメータの調整には何も役立ちません。サンプル画像の下。
参照：
更新
以下の答えのようにグラフィックからいくつかの作業を行うことができるようです。しかし、それは確率の対数ではなく、ポリシーの勾配でもありません。RLグラデーションポリシーの目的全体を変更します。上記の参考文献を確認してください。画像に続いて、次のステートメントです。
私のポリシーのログ関数の勾配（単に重みとsigmoidアクティブ化）を取得する必要があります。
4
この質問はほとんどが理論的な質問であるため、Data Science Stack Exchangeに投稿することをお勧めします（Stack Overflowは主にコーディングに関する質問です）。また、このドメインに精通しているより多くの人々にリーチします。
—
Gilles-PhilippePaillé19年
@Gilles-PhilippePaillé問題を表すコードを追加しました。私がする必要があるのは、アクティベーションで一部のパーツを修正することだけです。更新された回答を確認してください。
—
GensaGames
ポリシーの勾配を導き出すために、同じタイプのアレンジメントの実際の例を示した参考記事を示します。うまくいけば、詳細に学習できます：medium.com/@thechrisyoon/…。
—
ムハンマドウスマン
@MuhammadUsman。情報をありがとう。私はそのソースを赤にします。現時点では明確でフォームの例ですが、アクティベーションをから
—
GensaGames
softmaxに変更していsignmoidます。これは、上記の例で私がしなければならない唯一のことです。
@JasonChiaシグモイド
—
Pavel Tyshevskyi
[0, 1]は、正のアクションの確率として解釈できる範囲の実数を出力します（たとえば、CartPoleで右折します）。次に、負のアクション（左折）の確率は1 - sigmoidです。この確率の合計は1です。はい、これは標準のポールカード環境です。
