0


Python强化学习实战及其AI原理详解

文章目录

1. 引言

  时间循环是一类热门的影视题材,其设定常常如下:主人公可以主动或被动的回到过去。与此同时,主人公会希望利用这样的机会改变在之前的经历中不完美的结果。为此,主人公调整自己的行为,使得结果发生变化。

  一些和时间循环有关的电影:例如,时间循环电影开山之作《土拨鼠之日》(Groundhog Day)讲述了男主被困在土拨鼠日(2月2日)这一天,在日复一日的重复中不断调整自己的行为,终于成功追求到心爱的女主角并跳出时间循环。

  试想,如果你是落入时间循环的主角,那应该如何决策才能趋利避害呢?

2. 时间旅行和平行宇宙

  在讨论决策的方法之前,首先要指出,只有在某些时间旅行设定下,才可能发挥主观能动性趋利避害。

  时间旅行的设定要从时间悖论谈起。时间悖论是指由于时间旅行而引发的悖论。下面来看一个时间悖论的例子:我网购了一箱盲盒希望能抽到值钱的限量款。但是我收到盲盒并拆开后发现里面都是不值钱的普通款,并没有值钱的限量款。这时候我就可以考虑时间旅行,告诉过去的自己说别买盲盒,因为我抽不到限量款。然后过去的我听从了我的建议,导致我没有买盲盒。这就引发了悖论:我既然没有买盲盒,怎么知道我如果买了盲盒抽不到限量款?我既然不知道我买了盲盒也抽不到限量款,我怎么会告诉过去的自己这个事情?这里就有矛盾。

对于这样的时间悖论,有以下几种常见解释:

  • 时间不可逆。这种解释认为,时间维度和其他空间维度不同,它是不对称的、不可逆的。所以,时间旅行不存在。这种解释否认了时空旅行的存在性,悖论就不可能发生。
  • 命定悖论:命定悖论不是一个悖论,而是对时间悖论的解释。这种解释认为,时间旅行不能改变结果,所有的结果都是“命中注定的”,是已经考虑了时间旅行后的综合结果。例如,在盲盒的例子中,我是否买盲盒,已经是考虑了时间旅行的结果。即使未来的我告诉过去的我不要买盲盒,过去的我依然会固执地买了盲盒,最终知道盲盒里没有限量款。
  • 平行宇宙:这种解释认为,时间旅行者进行时间旅行时,并不是到旅行到其原来所在的宇宙,而是旅行到其他宇宙(称为“平行宇宙”)。原来宇宙中的结果不会改变,改变的只可能是其他平行宇宙中的结果。比如在盲盒的例子中,拆了盲盒的我所在的宇宙中我依然还是买了盲盒、拆了盲盒,而我是告诉另外一个宇宙的自己不要买盲盒,所以另外一个宇宙中的自己并没有买盲盒、拆盲盒。

  不同的时间悖论解释对应着不同的设定。在不同的设定下我们的能做的也不相同。

  在时间不可逆的设定中,时间循环不存在,所以没啥可研究的。

  在命定悖论的设定中,一切都是命中注定的,一切事情是你已经发挥了主观能动性的结果,不可能存在其他不同的结果。

  在平行宇宙设定中,虽然不能改变当前宇宙中的结果,但是有希望在其他宇宙中获得更好的结果,这才是值得我们讨论的设定。

3. 强化学习

  那么在平行宇宙的设定下,我们应该怎样决策才能趋利避害呢?学术界对此已经有了完美的解决方案,那就是强化学习。

  强化学习的通常设定如下:在系统里有智能体和环境,智能体可以观察环境、做出动作决策,环境会在动作决策的影响下演化,并且会给出奖励信号来指示智能体的成功程度。智能体希望得到的总奖励信号尽可能多。

  智能体可以一遍又一遍的和环境交互。每一轮序贯交互称为一个回合。智能体可以和环境一个回合又一个回合的交互,并在交互过程中学习并改进自己的策略。我们可以把一个训练回合看作在一个宇宙内,通过在多个宇宙的训练结果,让自己在后续宇宙中的结果更优。

  强化学习有很多算法,下面我们来介绍其中的一种比较简单的算法——策略梯度算法。

4. 策略梯度算法

  强化学习有很多算法,下面我们来介绍一个比较简单的算法——策略梯度算法(Vanilla Policy Gradient,VPG)。

  策略梯度算法把智能体的策略建模为带参数的概率分布,记为。其中,是可以调节的策略参数,是环境在时刻的状态,是可以直接观察到的;是一个概率分布。是智能体观察到状态后选择的动作:采用策略参数的情况下,在处做出动作的概率是。不同的策略参数对应者不同的策略。在每个回合中,得到的回合总奖励为。策略梯度算法通过修改策略参数,使得回合总奖励的期望尽可能大。

  为了让回合总奖励的期望尽可能大,策略梯度算法试图通过修改策略参数来增大,以达到增大的目的。这个算法的步骤如下图所示。

  为什么增大就能增大回报期望呢?

  我们可以这样想:在采用策略参数的情况下,在状态处做出动作的概率是。如果我们把这个概率值称为决策部分的似然值,那么决策部分的对数似然值就是。那么在整个回合中所有的动作做出所有的概率就是,或者说决策部分的对数似然值是。

  如果这回合的回报好,即比较大(比如是很大的正值),那么我们会希望以后更常出现这样的决策,就会希望增大对数似然值。如果这回合的回报差,即比较小(比如是绝对值很大的负值),那么我们会希望以后不要再出现这样的决策,就会希望减小对数似然值。

  所以,我们可以把作为加权的权重,试图增大就有机会增加回报期望。

  当然,上述解释并不是非常严格的数学证明。按照强化学习的理论,其理论基础是策略梯度定理,有兴趣的读者可以看《强化学习:原理与Python实战》查阅其定理的内容、证明和解释。

5. 代码案例

  现在我们来通过一个代码案例,演示策略梯度算法的使用。

  为了简单,我们选择了一个简单的环境:车杆平衡(CartPole-v0)。

  车杆平衡问题由强化学习大师级人物Andrew Barto等人在1983年的论文《Neuronlike adaptive elements that can solve difficult learning control problem》里提出后,大量的研究人员对该环境进行了研究、大量强化学习教程收录了该环境,使得该环境成为最著名的强化学习环境之一。

  车杆平衡CartPole问题(图片来源:https://gym.openai.com/envs/CartPole-v0/)

  车杆平衡问题如图,一个小车(cart)可以在直线滑轨上移动。一个杆(pole)一头连着小车,另一头悬空,可以不完全直立。小车的初始位置和杆的初始角度等是在一定范围内随机选取的。智能体可以控制小车沿着滑轨左移或是右移。出现以下情形中的任一情形时,回合结束:

  • 杆的倾斜角度超过12度;
  • 小车移动超过2.4个单位长度;
  • 回合步数达到回合最大步数。

  每进行1步得到1个单位的奖励。我们希望回合能够尽量的长。

  任务CartPole-v0回合最大步数为200。

  这个问题中,观察值有4个分量,分别表示小车位置、小车速度、木棒角度和木棒角速度,其取值范围如表所示。动作则取自{0,1},分别表示向左施力和向右施力。

  用法:想要用这个环境,需要先安装Python库Gym。安装Gym库的方法可以参见https://github.com/ZhiqingXiao/rl-book/blob/master/zh2023/setup/setupwin.md

  安装好Gym库后,可以用下列代码导入环境。

import gymenv = gym.make("CartPole-v0")

  在实现智能体之前,我们先来实现智能体和环境的交互函数。函数play_episode()让智能体和环境交互一个回合。这个函数有三个参数:

  • 环境对象env:它可以通过gym.make(“CartPole-v0”)直接获得。
  • 智能体对象agent:我们一会儿要实现智能体类,它就是智能体类的对象。这个智能体需要实现一些成员,包括agent.reset(mode)、agent.step(observation, reward, terminated)、agent.close()。后文会介绍如何实现这些成员。
  • 模式参数mode:字符串类型,可以是’train’和’test’。这个参数会进一步传到agent.reset(mode)中。如果是’train’那么智能体会处于训练模式,会更新参数;如果是’test‘则智能体会处于训练模式。

  在函数内部,先初始化环境和智能体。然后环境和智能体不断交互,直到回合结束或截断(截断指达到了回合最大的步数)。然后返回回合步数和回合总奖励。

defplay_episode(env, agent, mode=None):# 初始化  
    observation, _ = env.reset()  
    reward, terminated, truncated =0.,False,False  
    agent.reset(mode=mode)  
    episode_reward, elapsed_steps =0.,0# 交互  
    whileTrue:  
        action = agent.step(observation, reward, terminated)if terminated or truncated:break  
        observation, reward, terminated, truncated, _ = env.step(action)  
        episode_reward += reward  
        elapsed_steps +=1# 结束  
    agent.close()return episode_reward, elapsed_steps

  接下来我们来看智能体类VPGAgent类。

  这个类的实现用到了PyTorch库。之所以使用PyTorch,是因为算法要更新以增大,而这样的优化问题可以借助PyTorch来实现。我们可以用PyTorch搭建出以为可训练变量的表达式(即损失函数),用优化器来最小化。

  除了基于PyTorch实现外,也可以基于TensorFlow来实现对应的功能。文末既给出了两套代码的链接,一套基于PyTorch,另一套基于TensorFlow,你可以任选一个。这两套代码都收录在了书籍《强化学习:原理与Python实现》中。

  我们来看看基于PyTorch的类VPGAgent的详细实现。它的构造函数__init__(self, env)准备了策略函数self.policy_net是Softmax激活的线性层,指定了优化器为Adam优化器。初始化函数reset(self, mode)在训练模式下,准备好存储轨迹的列表self.trajectory,以便于后续交互时存储轨迹。交互函数step(self, observation, reward, terminated)根据观测给出动作概率,并且训练模式下存储交互记录到self.trajectory中。结束函数close(self)在训练模式下调用学习函数learn(self)。学习函数learn(self)利用self.trajectory中存储的记录进行训练:先得到得到状态张量state_tensor、动作张量action_tensor和回合奖励张量return_tensor。再利用状态张量和动作张量计算对数概率。在计算对数概率时,使用了torch.clamp()函数限制数值范围,以提升数值稳定性。利用回合奖励张量和对数概率张量进而计算得到损失张量loss_tensor,最后用优化器optimizer减小损失。

import torch  
import torch.distributions as distributions  
import torch.nn as nn  
import torch.optim as optim

classVPGAgent:def__init__(self, env):  
        self.action_n = env.action_space.n  
        self.policy_net = nn.Sequential(  
                nn.Linear(env.observation_space.shape[0], self.action_n, bias=False),  
                nn.Softmax(1))  
        self.optimizer = optim.Adam(self.policy_net.parameters(), lr=0.005)defreset(self, mode=None):  
        self.mode = mode  
        if self.mode =='train':  
            self.trajectory =[]defstep(self, observation, reward, terminated):  
        state_tensor = torch.as_tensor(observation, dtype=torch.float).unsqueeze(0)  
        prob_tensor = self.policy_net(state_tensor)  
        action_tensor = distributions.Categorical(prob_tensor).sample()  
        action = action_tensor.numpy()[0]if self.mode =='train':  
            self.trajectory +=[observation, reward, terminated, action]return action

    defclose(self):if self.mode =='train':  
            self.learn()deflearn(self):  
        state_tensor = torch.as_tensor(self.trajectory[0::4], dtype=torch.float)  
        action_tensor = torch.as_tensor(self.trajectory[3::4], dtype=torch.long)  
        return_tensor = torch.as_tensor(sum(self.trajectory[1::4]), dtype=torch.float)  
        all_pi_tensor = self.policy_net(state_tensor)  
        pi_tensor = torch.gather(all_pi_tensor,1, action_tensor.unsqueeze(1)).squeeze(1)  
        log_pi_tensor = torch.log(torch.clamp(pi_tensor,1e-6,1.))  
        loss_tensor =-(return_tensor * log_pi_tensor).mean()  
        self.optimizer.zero_grad()  
        loss_tensor.backward()  
        self.optimizer.step()

agent = VPGAgent(env)

  这样我们就实现了智能体。接下来,我们进行训练和测试。为了完整性,在此附上训练和测试的代码。训练的代码不断进行回合,直到最新的几个回合总奖励的平均值超过某个阈值。测试的代码则是交互100个回合求平均。智能体和环境交互多个回合以训练智能体的代码如下:

import itertools  
import numpy as np

episode_rewards =[]for episode in itertools.count():  
    episode_reward, elapsed_steps = play_episode(env, agent, mode='train')  
    episode_rewards.append(episode_reward)  
    logging.info('训练回合 %d: 奖励 = %.2f, 步数 = %d',  
            episode, episode_reward, elapsed_steps)if np.mean(episode_rewards[-20:])> env.spec.reward_threshold:break  
plt.plot(episode_rewards)

`

  智能体与环境交互100回合来测试智能体性能的代码如下:

`episode_rewards =[]for episode inrange(100):  
    episode_reward, elapsed_steps = play_episode(env, agent)  
    episode_rewards.append(episode_reward)  
    logging.info('测试回合%d:奖励 = %.2f,步数 = %d',  
            episode, episode_reward, elapsed_steps)  
logging.info('平均回合奖励 = %.2f ± %.2f',  
        np.mean(episode_rewards), np.std(episode_rewards))

完整的代码和运行结果参见:

  通过这篇文章,我们了解时间循环中可能的几种设定,并了解了在平行宇宙设定下可以使用强化学习来改进决策。最后,我们还通过一个编程小例子了解策略梯度算法。


6. 推荐阅读与粉丝福利

《强化学习:原理与Python实战》揭密ChatGPT关键技术PPO和RLHF,京东官方购买链接为:https://item.jd.com/13815337.html

理论完备
涵盖强化学习主干理论和常见算法,带你参透ChatGPT技术要点;

实战性强
每章都有编程案例,深度强化学习算法提供TenorFlow和PyTorch对照实现;

配套丰富
逐章提供知识点总结,章后习题形式丰富多样。还有Gym源码解读、开发环境搭建指南、习题答案等在线资源助力自学。

  • 本次送书两本
  • 活动时间:截止到2023-11-12
  • 参与方式:关注博主、并在此文章下面点赞、收藏并任意评论。
  • 一本送给所有粉丝抽奖,另外一本送给购买专栏的同学们,购买专栏并且没有送过书的同学们可私信联系,先到先得,仅限一本

本文转载自: https://blog.csdn.net/weixin_43178406/article/details/134304579
版权归原作者 爱编程的喵喵 所有, 如有侵权,请联系我们删除。

“Python强化学习实战及其AI原理详解”的评论:

还没有评论