标签：10 经验 frac 回放 transition 学习 delta TD
Experience Replay 经验回放。价值学习高级技巧第一篇。
之前讲解的 价值学习的方法 都很简单，所以实现效果并不优秀。接下来会介绍一些高级的技巧，可以大幅度提高 DQN 的表现。Experience Replay 是最重要的技巧。
10. 经验回放
10.1 DQN / Deep Q Network
DQN 是用神经网络 \(Q(s,a;w)\) 来近似 Q-star 函数。通常用 TD 算法训练 DQN。TD算法思路如下：
-
agent 观察当前状态 \(s_t\) 并执行动作 \(a_t\)；
-
环境给出新的状态 \(s_{t+1}\) ，返回奖励 \(r_t\)；
-
TD target： \(y_t = r_t + \gamma \cdot {\mathop{max}\limits_{a}Q^*(s_{t+1},a;w)}\)；
-
TD error：\(\delta_t = q_t - y_t; \ \ 其中q_t=Q(s_t,a_t;w)\)
\(q_t\) 完全是猜测的，\(y_t\) 有一部分真实值。
-
我们的目标是让 \(q_t\) 接近 \(y_t\)，所以最小化 \(\delta^2\)，即：
-
\(\delta_t\)的均值记为：\(L(w)=\frac{1}{T}\sum_{t=1}^{T}\frac{\delta^2_t}{2}\)，通过调整 w ，使得 L(w) 尽量小。
-
之前是使用在线梯度下降来更新 w：
- 得到 transition \((s_t,a_t,r_t,s_{t+1})\)，计算 \(\delta_t\)
- 计算梯度 \(g_t = \frac{\partial \ \delta^2_t}{\partial \ w} = \delta_t \cdot \frac{\partial \ Q(s_t,a_t;w)}{\partial \ w}\)
- 梯度下降更新 w：\(w \leftarrow w-\alpha\cdot g_t\)
- 接着是之前忽略掉的一点，在更新完 w 之后，我们丢弃了这次使用的 transition。
10.2 DQN的不足之处
a. 经验浪费
这里的经验（包括经验回放）是指 从开始到结束所有的 transitions，刚才回顾的TD算法在使用了一次 transition 后就将它丢弃，这就造成了经验的浪费。
b. 相关更新
另外一个不足的原因是，前后两个 transition 之间存在很强的关联。实践证明这种相关性是 有害的。如果能够把 这些 transition 打散，更有利于训练 DQN。
经验回放就可以很好克服以上两个缺点。
10.3 经验回放原理
一个 transition 相当于一条训练数据，为了重复使用之前的 transition，可以把 最近的 transition 存入一个队列(Replay Buffer)，容量为 n，n 是一个超参数。
经验回放 的使用方法：
-
我们的目标是 将\(L(w)=\frac{1}{T}\sum_{t=1}^{T}\frac{\delta^2_t}{2}\)最小化
-
使用随机梯度下降改进 L(w)；
-
每次从 Replay Buffer中随机均匀抽样一个 transition \((s_i,a_i,r_i,s_{i+1})\)
注意这里可以随机抽取多个 transition
-
计算 TD error \(\delta_i\)。
-
计算随机梯度：\(g_i = \frac{\partial \ \delta^2_i/2}{\partial w}=\delta_i \cdot \frac{\partial \ Q(s_i,a_i;w)}{\partial \ w}\)
-
随机梯度下降：\(w \leftarrow w-\alpha\cdot g_i\)
-
经验回放的好处就是；
- 打破 transition 之间的相关性；
- 重复使用之前的经验。
10.4 经验回放改进
经验回放以改进效果明显而被广泛使用，也有了很多对经验回放的改进。下面介绍一种：优先经验回放 / Prioritized Experience Reply。
改进之处在于使用非均匀抽样来选择 transitions。
优先经验回放的想法如下：
-
队列里存了很多 transitions，但是它们的重要性并不一样；
-
我们可以通过 TD error 来判断 transitions 的重要性，绝对值越大，就说明越重要。
-
原因是，这里的优先级是指，我们要优先训练 难以训练的、训练样本少的、训练效果不好的这些场景，给与这些 transition 更大的重视（权重）
（就好像要多看看自己的错题，而不是自己很容易做对的题）
而 TD error 大的 transition，实际意义是与实际值偏离大，说明对于场景不熟悉。
抽样方法介绍两种：
-
使抽样概率与 TD-error 线性相关：\(p_t\propto|\gamma_t|+\epsilon\)
\(\epsilon\) 是一个很小的数，避免 \(p_t\) 为 0 ；
-
对\(|\delta_t|\) 作排序，rank(t)是其序号，大的靠前，小的靠后：\(p_t\propto \frac{1}{rank(t)}\)，这样就让排在前面的更容易被抽到。
调整学习率矫正偏差：
因为不同的 transition 被人为附上了不同的概率，成为了非均匀抽样，这样会造成 DQN预测有偏差，通过调整学习率来矫正：
当所有 transition 的概率都一样，那么所有的 transition 的学习率一样。如果非均匀抽样，需要根据不同的 transition 概率来调整学习率。
- 如果 transition 的抽样概率较大，应当调小它的学习率；
- 具体操作是用\((n \cdot p_t)^{-\beta},\beta\in(0,1)\) 乘以 学习率 α，n 是队列容量，β 是一个0~1之间的数，是超参数，论文中一般从很小增长到1。
下面再考虑一个事情：
即，在优先经验回放中，我们需要把 TD-error 跟 transtions 放在一起，而刚放入队列的 transition 还没有进行训练 DQN，不知道 TD-error，这时直接把它的 \(\delta\) 设为最大值，给他最高的权重；
每次我们使用了 transition 之后，重新计算 它的 \(\delta_t\)，更新 transition 的权重。
x. 参考教程
- 视频课程：深度强化学习（全）_哔哩哔哩_bilibili
- 视频原地址：https://www.youtube.com/user/wsszju
- 课件地址：https://github.com/wangshusen/DeepLearning
- 经验回放论文：Reinforcement Learning for Robots Using Neural Networks
- 优先经验回放论文：Prioritized Experience Replay
标签：10,经验,frac,回放,transition,学习,delta,TD 来源： https://www.cnblogs.com/Roboduster/p/16457727.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。