【转载请注明出处】chenrudan.github.io
8月的时候把David silver的强化学习课上了，但是一直对其中概念如何映射到现实问题中不理解，半个月前突然发现OpenAI提供了一个python库Gym，它创造了强化学习的environment，可以很方便的启动一个强化学习任务来自己实现算法(新智元OpenAI简介[1])，并且提供了不少可以解决的问题来练手https://openai.com/requests-for-research/。本文针对如何解决入门问题CartPole，来解释一下怎么将之前课上的算法转化成实现代码。这里强烈推荐一下官网的教程http://kvfrans.com/simple-algoritms-for-solving-cartpole/，因为这个作者只是个高中生T^T…
建了一个强化学习讨论qq群，有兴趣的可以加一下群号595176373或者扫描下面的二维码。
1. Gym库
它提供了一些函数接口，模拟了强化学习问题中environment，当向它传递一个动作，它相应会返回执行这个动作后的状态、奖赏等。
|
1
2
3
4
|
#启动某种环境
env = gym.make(‘CartPole-v0‘)
#针对传进来的动作返回状态observation等
observation, reward, done, info = env.step(action)
|
执行pip install gym即可安装，https://gym.openai.com/docs中有实例，复制代码运行即可检查是否安装成功。此外提供了env.monitor来记录下算法执行过程，它会保存为.mp4文件，然后上传到OpenAI网站上可以检查执行效率，上传可以通过执行代码中加入api_key(鉴别用户)，我是直接把api_key写入了~/.bashrc文件中即”export OPENAI_GYM_API_KEY=”。
2. CartPole问题
CartPole的玩法如下动图所示，目标就是保持一根杆一直竖直朝上，杆由于重力原因会一直倾斜，当杆倾斜到一定程度就会倒下，此时需要朝左或者右移动杆保证它不会倒下来。我们执行一个动作，动作取值为0或1，代表向左或向右移动，返回的observation是一个四维向量，reward值一直是1，当杆倒下时done的取值为False，其他为True，info是调试信息打印为空具体使用暂时不清楚。如果杆竖直向上的时间越长，得到reward的次数就越多。
|
1
2
3
4
|
#从动作空间中采样一个动作
action = env.action_space.sample()
observation, reward, done, info = env.step(action)
print observation
|
结果是[-0.061586 -0.75893141 0.05793238 1.15547541]。
3. 三种解法
目的是在不同状态下执行出合适的action，代码中要做的就是替换掉采样这一行，用policy来决定执行什么动作。也就是说此处需要决定policy的形式，官网给出了两种思路，已知policy的输入是当前所处的状态observation，输出是action的取值即0 or 1，observation是一个四维向量，如果对这个向量求它的加权和，就可以得到一个值，那么就可以根据加权和的符号来决定action，同样可以用sigmoid函数当成二分类问题。基于这两种policy可以得到下面三种解法，核心就在于通过改变加权的权重值就能改变policy。
3.1 Random Guessing Algorithm & Hill Climbing Algorithm
由于policy中权重也是一个四维向量，如果随机给四维向量赋值，有机会得到比较好的policy。首先先实现一个函数用来衡量给定的某组权重效果如何，函数返回值是这组权重下得到的奖赏，意义是杆维持了多长时间未倒下，代码如下。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
def evaluate_given_parameter_by_sign(env, weight):
#启动初始状态
observation = env.reset()
#这组参数返回的总reward
total_reward = 0.
for t in range(1000):
#这个渲染函数就是实时展示图1，如果隐藏，代码正常执行，但是不会显示图1了
env.render()
weighted_sum = np.dot(weight, observation)
#根据符号policy选出action
if weighted_sum >= 0:
action = 1
else:
action = 0
observation, reward, done, info = env.step(action)
total_reward += reward
if done:
break
return total_reward
|
然后要改变权重，这里试验了两种方法，一种是random guess，即随机给四维权重weight赋值，一种是hill climbing，即给当前最好的权重加上一组随机值，如果加上这组值持续时间变长了那么就更新最好的权重，如果没有变的更好就不更新。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
def random_guess():
env = gym.make(‘CartPole-v0‘)
np.random.seed(10)
best_reward = -100.0
for iiter in xrange(1000):
#####random guess随机初始化权重weight####
weight = np.random.rand(4)
#####
####hill climbing给best weight加随机值
weight = best_weight + np.random.normal(0, 0.01, 4)
#####
cur_reward = evaluate_given_parameter_by_sign(env, weight)
if cur_reward > best_reward:
best_reward = cur_reward
best_weight = weight
if best_reward == 1000:
break
print("XXX algorithm best reward", best_reward)
print("XXX algorithm best weight", best_weight)
|
3.2 Policy Gradient
上面的两种方法都是在随机的改变权重，针对这种参数非常少的情况确实能得到不错的效果，但是一旦参数数目增多，这种方式耗时非常大，一点也不实用。而第七课[2]讲解了两种Policy Gradient的方法，分别是Monte-Carlo Policy Gradient和Actor-Critic Policy Gradient。我们知道衡量policy好坏有三种方法，一是在某个状态下和该policy作用下能获得的值函数值，一是该policy作用下能获得的所有状态的期望值函数，一是在该policy作用下能获得的所有状态的期望immdiate reward，并且推导出了这三种方法的统一导数形式，即衡量policy的目标函数导数为▽θJ(θ)=Eπθ[▽θlogπθ(s,a)Qπθ(s,a)]▽θJ(θ)=Eπθ[▽θlogπθ(s,a)Qπθ(s,a)]，这个式子也就是policy gradient。
根据题目的意思，此处的policy换成逻辑回归，即πθ(s,a)=11+e?wxπθ(s,a)=11+e?wx那么式子中▽θlogπθ(s,a)=(1?pi)?(?x)▽θlogπθ(s,a)=(1?pi)?(?x)。在第一种方法中用直接用immdiate reward代替Qπθ(s,a)Qπθ(s,a)，所以在本例中就是直接取1。
首先定义一下选择action的函数，也就是利用sigmoid函数进行二分类。
|
1
2
3
4
5
6
7
8
|
def choose_action(weight, observation):
weighted_sum = np.dot(weight, observation)
pi = 1 / (1 + np.exp(-weighted_sum))
if pi > 0.5:
action = 1
else:
action = 0
return pi, action
|
由于Monte-Carlo方法中需要先基于某组参数算出一个episode，再基于这个episode来更新policy的参数，所以需要实现一个函数产生一个episode。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
def generate_episode(env, weight):
episode = []
pre_observation = env.reset()
t = 0
#generate 1 episodes for training.
while 1:
#env.render()
pi, action = choose_action(weight, pre_observation)
observation, reward, done, info = env.step(action)
#将这个episode的每一步产生的数据保存下来
episode.append([pre_observation, action, pi, reward])
pre_observation = observation
t += 1
if done or t > 1000:
break
return episode
|
从而可以实现第七课中Monte-Carlo的更新方法。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
def monte_carlo_policy_gradient(env):
learning_rate = -0.0001
best_reward = -100.0
weight = np.random.rand(4)
for iiter in xrange(1000):
cur_episode = generate_episode(env, weight)
for t in range(len(cur_episode)):
observation, action, pi, reward = cur_episode[t]
#根据第七课的更新公式
weight += learning_rate*(1-pi)*np.transpose(-observation)*reward
#衡量算出来的weight表现如何
cur_reward = evaluate_given_parameter_sigmoid(env, weight)
print ‘Monte-Carlo policy gradient get reward‘, cur_reward
|
而针对Actor critic的方法，则是把值函数Qπθ(s,a)Qπθ(s,a)也当成observation的含参函数，且直接把observation的加权和当成值函数的取值，那么也就能由第七课的更新公式来同时更新值函数和policy的参数。代码如下:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
|
def actor_critic_policy_gradient(env):
gamma = 1
p_weight = np.random.rand(4)
#值函数的权重
v_weight = np.random.rand(4)
p_learning_rate = -0.0001
v_learning_rate = -0.0001
done = True
for iiter in xrange(1000):
t = 0
while 1:
if done:
print ‘start new training...‘
print ‘p_weight‘, p_weight
print ‘v_weight‘, v_weight
pre_observation = env.reset()
pre_pi, pre_action = choose_action(p_weight, pre_observation)
pre_phi = pre_observation
pre_q = np.dot(v_weight, pre_phi)
#env.render()
observation, reward, done, info = env.step(pre_action)
pi, action = choose_action(p_weight, observation)
phi = observation
q = np.dot(v_weight, phi)
delta = reward + gamma*q - pre_q
p_weight += p_learning_rate*(1-pre_pi)*np.transpose(-pre_observation)*pre_q
v_weight += v_learning_rate*delta*np.transpose(pre_phi)
pre_pi = pi
pre_observation = observation
pre_q = q
pre_phi = phi
pre_action = action
t += 1
if done:
break
cur_reward = evaluate_given_parameter_sigmoid(env, p_weight)
print ‘Actor critic policy gradient get reward‘, cur_reward
|
4.提交到OpenAI
上面的代码实现以后，就能够提交到OpenAI的网站上去评估效果如何，首先加上两行代码，变成下面的样子。
|
1
2
3
4
|
env = gym.make(‘CartPole-v0‘)
env.monitor.start(‘cartpole-hill/‘, force=True)
actor_critic_policy_gradient(env)
env.monitor.close()
|
这会将训练过程记录下来生成.mp4文件，如果像我这样将api_key写入~/.bashrc，就可以直接执行下面代码提交给OpenAI。
|
1
|
gym.upload(‘cartpole-hill‘)
|
最后在网站上就能看到如下的结果。
5.小结
我的policy gradient是完全按照第七课的内容实现的，但是实际上效果还不够好，并且非常依赖初始值，初始值好就很快收敛，不好就会一直恶性循环。总之感觉这个网站还是很有意思的，值得去玩一玩，文中的代码在这里。
