Preface

从AIC现场回来后，做了一些Policy Gradient的工作。主要是觉得RL是一个有意思的领域，而深度网络逼近对这个问题提供了良好的可预期的解决方案。本来想找些程序先做个参考，发现都是些打游戏场景；之前看textbook的时候，对Figure 17.1(Artificial Intelligence: A Modern Approach)的例子印象深刻，觉得是个良好的案例，于是用这个场景；另外，做的过程中开始转gluon，在这个例子上试了下，发现还挺顺手的，就把之前的symbol接口全改了。

Code

程序是github上的Task1

Policy Gradient

正式的说明自有大牛阐述，这里只是为了保持结构完整。RL的两种途径分别是Value-Based和Policy-Based，Policy的好处在于其简洁性，直接将state映射到action。

Works

而Ploicy Gradient，在做的过程中，给我一种和以前的label-data learning极为相似的感觉，相当于都是通过试错法来了解数据，只不过label-data的对应结构关系不同。
所以，最开始时，对backward那部分的想法是，通过在最末接入一个SoftmaxCrossEntropyLoss，将选出来的action作为label，通过将outgrad作为reward的函数，控制优化的方向和幅度。最后的版本里面，Loss被删除，直接用sotmax作激活函数得到action的概率分布，然后用具有one_hot型编码的outgrad进行backward(这要感谢gluon的功能)。

另一个需要说明的是exploration-exploitation，之前在看一些非正式的介绍时，看到这一段，总会习惯性地认为需要采取类似于遗传算法的概率操作：设定一个阈值，确定是否放弃系统给出的action，如果放弃，再随机选一个action出来。
将这两种想法结合起来，发现最后没有收敛到理想方向(第一个commit便是)。于是，在后面debug时，Loss那部分就被砍掉了。但给我感觉，对系统影响最大的应该是exploration-exploitation那部分，后面查看Reinforcement Learning: An Introduction第13章，发现应该是进行采样（实际上，如果按照统计学习的惯性思维，也应该是使用采样的样本代替期望）。

Result

后面把结果打出来，发现收敛得还行，对比了一下R=-0.04时的结果，textbook上的结果是这样的:

Figure 1. Ground Truth

Tab 1. Net Prediction

可以看到，存在一些出入，但这个结果和-0.4278<R<-0.0850的情况下的ground truth 是相同的，这似乎就是说的Policy Gradient容易陷入local optima的情况。