初識Proximal Policy Optimization (PPO)
阿新 • • 發佈:2021-12-22
什麼是PPO
- 是一種off-policy 的 policy gradient。
- PPO enables multiple epochs of minibatch updates.
Importance Sampling
-
- 可以在q的distribution裡sample data,不用直接從p裡sample data。
- 但是得乘上一個weight,這個weight就是\(\frac{p(x)}{q(x)}\)
- Issue:
- Mean一樣但是Variance不一定是一樣的。
- 當\(\frac{p(x)}{q(x)}\)比較大的時候,兩個的方差會差很多。
- 如果sample的次數不夠多,那麼Mean和Variance可能都會差很多。
On-policy to Off-policy
-
- 上面是On-policy,下面是Off-policy。
- 主要是要用紅框裡的weight去做修正。
- trajectory分別在兩個distribution中出現的概率。
- Gradient for Update:
- 實際上得到的A,應該是\(\theta'\)的,因為在\(\theta'\)中sample。
- \(\frac{p_{\theta}(s_t)}{p_{\theta'}(s_t)}\):很難算,而且兩個應該要比較近似,所以刪去這一項。
- 利用上面那個式子可以得到似然函式。HOW?
Add Constraint
- 避免兩個distribution差太多,加constraint。
- K-L Divergence: KL散度,量化兩種概率分佈之間差異的方式。
- \(D_{KL}(p||q)=\sum_{i=1}^Np(x_i)\cdot log \frac{p(x_i)}{q(x_i)}\)
TRPO and PPO
- TRPO是PPO的前身。
-
- 用KL divergence作為一個penalty,而不是像TRPO那樣用constraint,希望減小KL散度,希望學出來的兩個不要太不一樣。
- TRPO和PPO只是KL散度放的地方不一樣。
- TRPO和PPO可能效果差不多,但是PPO在實操的時候更加容易。
- 這裡KL散度不是引數上的舉例,而是behavior上的距離。
- 給同個state的時候,output action distribution的差距。
PPO Algorithm
PPO1演算法
- Adaptive KL Penalty Coefficient:KL Penalty是可以動態調整的,你自己先設定一個你能接受的KL最小值和最大值。
- KL大於最大值,就增加β。
- KL小於最小值,就減小β。
PPO2演算法
- PPO1使用KL散度,PPO2就不用KL散度了。
- Clip:
Pseudo Code
Reference
- 李巨集毅的2021春機器學習課程視訊
- Proximal Policy Optimization Algorithms:http://arxiv.org/abs/1707.06347