Проксимальный агент обучения с подкреплением оптимизации политики
Проксимальная оптимизация политики (PPO) является онлайновым методом обучения с подкреплением без моделей и без политики. Этот алгоритм чередует данные выборки посредством взаимодействия с окружающей средой и оптимизации обрезанной суррогатной целевой функции с использованием стохастического градиентного спуска. Пространство действий может быть дискретным или непрерывным.
Для получения дополнительной информации об агентах PPO см. «Проксимальные агенты оптимизации политики». Для получения дополнительной информации о различных типах агентов обучения с подкреплением смотрите Reinforcement Learning Agents.
agent = rlPPOAgent(observationInfo,actionInfo)observationInfo и спецификация действия actionInfo.
agent = rlPPOAgent(observationInfo,actionInfo,initOpts)initOpts объект. Агенты актёра-критика не поддерживают рекуррентные нейронные сети. Для получения дополнительной информации об опциях инициализации смотрите rlAgentInitializationOptions.
agent = rlPPOAgent(___,agentOptions)agentOptions входной параметр. Используйте этот синтаксис после любого из входных параметров в предыдущих синтаксисах.
train | Обучите агентов обучения с подкреплением в заданном окружении |
sim | Симулируйте обученных агентов обучения с подкреплением в заданном окружении |
getAction | Получите действие от агента или представления актера заданных наблюдений окружения |
getActor | Получите представление актера от агента обучения с подкреплением |
setActor | Установите представление актера агента обучения с подкреплением |
getCritic | Получите представление критика от агента обучения с подкреплением |
setCritic | Установите представление критика агента обучения с подкреплением |
generatePolicyFunction | Создайте функцию, которая оценивает обученную политику агента обучения с подкреплением |
Создайте окружение с дискретным пространством действий и получите его наблюдение и спецификации действия. В данном примере загружает окружение, используемую в примере Создать агента с помощью Deep Network Designer и Обучить с использованием наблюдений изображений. Это окружение имеет два наблюдения: изображение полутонового цвета 50 на 50 и скаляр (скорость вращения маятника). Действие является скаляром с пятью возможными элементами (крутящий момент любого из - 2, - 1, 0, 1, или 2 Nm приложен к качающемуся шесту).
% load predefined environment env = rlPredefinedEnv("SimplePendulumWithImage-Discrete"); % obtain observation and action specifications obsInfo = getObservationInfo(env); actInfo = getActionInfo(env);
Функция создания агента инициализирует сети актёра и критика случайным образом. Можно обеспечить воспроизводимость, зафиксировав seed случайного генератора. Для этого раскомментируйте следующую линию.
% rng(0)Создайте агента актёра-критика из среды наблюдения и спецификаций действия.
agent = rlPPOAgent(obsInfo,actInfo);
Чтобы проверить своего агента, используйте getAction чтобы вернуть действие из случайного наблюдения.
getAction(agent,{rand(obsInfo(1).Dimension),rand(obsInfo(2).Dimension)})ans = 1x1 cell array
{[-2]}
Теперь можно тестировать и обучать агента в окружении.
Создайте окружение с непрерывным пространством действий и получите его наблюдение и спецификации действия. В данном примере загружает окружение, используемую в примере Train DDPG Agent to Swing Up and Balance Mendulum with Image Observation. Это окружение имеет два наблюдения: изображение полутонового цвета 50 на 50 и скаляр (скорость вращения маятника). Действие является скаляром, представляющим крутящий момент, постоянно варьирующийся от - 2 на 2 Нм.
% load predefined environment env = rlPredefinedEnv("SimplePendulumWithImage-Continuous"); % obtain observation and action specifications obsInfo = getObservationInfo(env); actInfo = getActionInfo(env);
Создайте объект опции инициализации агента, указав, что каждый скрытый полносвязный слой в сети должен иметь 128 нейроны (вместо числа по умолчанию 256).
initOpts = rlAgentInitializationOptions('NumHiddenUnit',128);Функция создания агента инициализирует сети актёра и критика случайным образом. Можно обеспечить воспроизводимость, зафиксировав seed случайного генератора. Для этого раскомментируйте следующую линию.
% rng(0)Создайте агента PPO актёра-критика из окружения наблюдения и спецификаций действия.
agent = rlPPOAgent(obsInfo,actInfo,initOpts);
Уменьшите скорость обучения критика до 1e-3.
critic = getCritic(agent); critic.Options.LearnRate = 1e-3; agent = setCritic(agent,critic);
Извлеките глубокие нейронные сети как от агента, так и от критика.
actorNet = getModel(getActor(agent)); criticNet = getModel(getCritic(agent));
Отобразите слои сети критика и проверьте, что каждый скрытый полностью соединенный слой имеет 128 нейронов
criticNet.Layers
ans =
12x1 Layer array with layers:
1 'concat' Concatenation Concatenation of 2 inputs along dimension 3
2 'relu_body' ReLU ReLU
3 'fc_body' Fully Connected 128 fully connected layer
4 'body_output' ReLU ReLU
5 'input_1' Image Input 50x50x1 images
6 'conv_1' Convolution 64 3x3x1 convolutions with stride [1 1] and padding [0 0 0 0]
7 'relu_input_1' ReLU ReLU
8 'fc_1' Fully Connected 128 fully connected layer
9 'input_2' Image Input 1x1x1 images
10 'fc_2' Fully Connected 128 fully connected layer
11 'output' Fully Connected 1 fully connected layer
12 'RepresentationLoss' Regression Output mean-squared-error
Сюжетные сети актёра и критика
plot(actorNet)
plot(criticNet)
Чтобы проверить своего агента, используйте getAction чтобы вернуть действие из случайного наблюдения.
getAction(agent,{rand(obsInfo(1).Dimension),rand(obsInfo(2).Dimension)})ans = 1x1 cell array
{[0.9228]}
Теперь можно тестировать и обучать агента в окружении.
Создайте интерфейс окружения и получите его наблюдение и спецификации действия.
env = rlPredefinedEnv("CartPole-Discrete");
obsInfo = getObservationInfo(env);
actInfo = getActionInfo(env);Создайте представление критика.
% Create the network to be used as approximator in the critic. criticNetwork = [ featureInputLayer(4,'Normalization','none','Name','state') fullyConnectedLayer(1,'Name','CriticFC')]; % Set options for the critic. criticOpts = rlRepresentationOptions('LearnRate',8e-3,'GradientThreshold',1); % Create the critic. critic = rlValueRepresentation(criticNetwork,obsInfo,'Observation',{'state'},criticOpts);
Создайте представление актера.
% Create the network to be used as approximator in the actor. actorNetwork = [ featureInputLayer(4,'Normalization','none','Name','state') fullyConnectedLayer(2,'Name','action')]; % Set options for the actor. actorOpts = rlRepresentationOptions('LearnRate',8e-3,'GradientThreshold',1); % Create the actor. actor = rlStochasticActorRepresentation(actorNetwork,obsInfo,actInfo,... 'Observation',{'state'},actorOpts);
Задайте опции агента и создайте агента PPO с помощью окружения, актёра и критика.
agentOpts = rlPPOAgentOptions(... 'ExperienceHorizon',1024, ... 'DiscountFactor',0.95); agent = rlPPOAgent(actor,critic,agentOpts)
agent =
rlPPOAgent with properties:
AgentOptions: [1x1 rl.option.rlPPOAgentOptions]
Чтобы проверить своего агента, используйте getAction, чтобы вернуть действие от случайного наблюдения.
getAction(agent,{rand(4,1)})ans = 1x1 cell array
{[-10]}
Теперь можно тестировать и обучать агента против окружения.
Создайте окружение с непрерывным пространством действий и получите его наблюдение и спецификации действия. В данном примере загружает окружение непрерывного пространства действий двойного интегратора, используемую в примере Train DDPG Agent to Control Double Integrator System. Наблюдение от окружения является вектором, содержащим положение и скорость массы. Действие является скаляром, представляющим силу, приложенную к массе, постоянно варьируясь от - 2 на 2 Ньютон.
env = rlPredefinedEnv("DoubleIntegrator-Continuous");
obsInfo = getObservationInfo(env)obsInfo =
rlNumericSpec with properties:
LowerLimit: -Inf
UpperLimit: Inf
Name: "states"
Description: "x, dx"
Dimension: [2 1]
DataType: "double"
actInfo = getActionInfo(env)
actInfo =
rlNumericSpec with properties:
LowerLimit: -Inf
UpperLimit: Inf
Name: "force"
Description: [0x0 string]
Dimension: [1 1]
DataType: "double"
Поскольку действие должно содержаться в ограниченной области значений, рекомендуется установить верхний и нижний предел сигнала действия соответственно. Это должно быть сделано, когда представление сети для актёра имеет нелинейный выходной слой, который должен быть соответственно масштабирован, чтобы получить выход в желаемой области значений.
% make sure action space upper and lower limits are finite
actInfo.LowerLimit=-2;
actInfo.UpperLimit=2;Создайте представление критика. Агенты PPO используют rlValueRepresentation для критика. Для непрерывных пространств наблюдений можно использовать либо глубокую нейронную сеть, либо пользовательское представление базиса. В данном примере создайте глубокую нейронную сеть в качестве базовой аппроксимации.
% create the network to be used as approximator in the critic % it must take the observation signal as input and produce a scalar value criticNet = [ imageInputLayer([obsInfo.Dimension 1],'Normalization','none','Name','state') fullyConnectedLayer(10,'Name', 'fc_in') reluLayer('Name', 'relu') fullyConnectedLayer(1,'Name','out')]; % set some training options for the critic criticOpts = rlRepresentationOptions('LearnRate',8e-3,'GradientThreshold',1); % create the critic representation from the network critic = rlValueRepresentation(criticNet,obsInfo,'Observation',{'state'},criticOpts);
Агенты PPO используют rlStochasticActorRepresentation. Для непрерывных пространств действий стохастические актёры могут использовать только нейронную аппроксимацию.
Вход наблюдения (здесь называется myobs) должен принять двумерный вектор, как указано в obsInfo. The выхода (здесь называется myact) также должен быть двумерным вектором (вдвое больше размерностей, заданных в actInfo). Элементы выходного вектора представляют в последовательности все средства и все стандартные отклонения каждого действия (в этом случае существует только одно среднее значение и одно стандартное отклонение).
Тот факт, что стандартные отклонения должны быть неотрицательными, в то время как средние значения должны попадать в выходную область значений, означает, что сеть должна иметь два отдельных пути. Первый путь предназначен для средних значений, и любой выход нелинейность должна быть масштабирована, чтобы она могла создать выходы в выход области значений. Второй путь предназначен для стандартных отклонений, и для обеспечения неотрицательности необходимо использовать слой softplus или relu.
% input path layers (2 by 1 input and a 1 by 1 output) inPath = [ imageInputLayer([obsInfo.Dimension 1], 'Normalization','none','Name','state') fullyConnectedLayer(10,'Name', 'ip_fc') % 10 by 1 output reluLayer('Name', 'ip_relu') % nonlinearity fullyConnectedLayer(1,'Name','ip_out') ];% 1 by 1 output % path layers for mean value (1 by 1 input and 1 by 1 output) % using scalingLayer to scale the range meanPath = [ fullyConnectedLayer(15,'Name', 'mp_fc1') % 15 by 1 output reluLayer('Name', 'mp_relu') % nonlinearity fullyConnectedLayer(1,'Name','mp_fc2'); % 1 by 1 output tanhLayer('Name','tanh'); % output range: (-1,1) scalingLayer('Name','mp_out','Scale',actInfo.UpperLimit) ]; % output range: (-2N,2N) % path layers for standard deviation (1 by 1 input and output) % using softplus layer to make it non negative sdevPath = [ fullyConnectedLayer(15,'Name', 'vp_fc1') % 15 by 1 output reluLayer('Name', 'vp_relu') % nonlinearity fullyConnectedLayer(1,'Name','vp_fc2'); % 1 by 1 output softplusLayer('Name', 'vp_out') ]; % output range: (0,+Inf) % conctatenate two inputs (along dimension #3) to form a single (2 by 1) output layer outLayer = concatenationLayer(3,2,'Name','mean&sdev'); % add layers to layerGraph network object actorNet = layerGraph(inPath); actorNet = addLayers(actorNet,meanPath); actorNet = addLayers(actorNet,sdevPath); actorNet = addLayers(actorNet,outLayer); % connect layers: the mean value path output MUST be connected to the FIRST input of the concatenation layer actorNet = connectLayers(actorNet,'ip_out','mp_fc1/in'); % connect output of inPath to meanPath input actorNet = connectLayers(actorNet,'ip_out','vp_fc1/in'); % connect output of inPath to sdevPath input actorNet = connectLayers(actorNet,'mp_out','mean&sdev/in1');% connect output of meanPath to mean&sdev input #1 actorNet = connectLayers(actorNet,'vp_out','mean&sdev/in2');% connect output of sdevPath to mean&sdev input #2 % plot network plot(actorNet)
Задайте некоторые опции для актёра и создайте стохастическое представление актера с помощью глубокой нейронной сети actorNet.
% set some training options for the actor actorOpts = rlRepresentationOptions('LearnRate',8e-3,'GradientThreshold',1); % create the actor using the network actor = rlStochasticActorRepresentation(actorNet,obsInfo,actInfo,... 'Observation',{'state'},actorOpts);
Задайте опции агента и создайте агента PPO с помощью опций актёра, критика и агента.
agentOpts = rlPPOAgentOptions(... 'ExperienceHorizon',1024, ... 'DiscountFactor',0.95); agent = rlPPOAgent(actor,critic,agentOpts)
agent =
rlPPOAgent with properties:
AgentOptions: [1x1 rl.option.rlPPOAgentOptions]
Чтобы проверить своего агента, используйте getAction, чтобы вернуть действие от случайного наблюдения.
getAction(agent,{rand(2,1)})ans = 1x1 cell array
{[0.6668]}
Теперь можно тестировать и обучать агента в окружении.
В данном примере загружает предопределённое окружение, используемую для примера Train DQN Agent to Balance Cart-Pole System.
env = rlPredefinedEnv('CartPole-Discrete');Получите информацию о наблюдении и действии. Это окружение имеет непрерывное четырехмерное пространство наблюдений (положения и скорости как тележки, так и полюса) и дискретное одномерное пространство действий, состоящее из приложения двух возможных сил, -10N или 10N.
obsInfo = getObservationInfo(env); actInfo = getActionInfo(env);
Создайте рецидивирующую глубокую нейронную сеть для критика. Чтобы создать рекуррентную нейронную сеть, используйте sequenceInputLayer в качестве входа слоя и включать lstmLayer как один из других слоев сети.
criticNetwork = [
sequenceInputLayer(obsInfo.Dimension(1),'Normalization','none','Name','myobs')
fullyConnectedLayer(8, 'Name', 'fc')
reluLayer('Name','relu')
lstmLayer(8,'OutputMode','sequence','Name','lstm')
fullyConnectedLayer(1,'Name','output')];Создайте объект представления функции ценности для критика.
criticOptions = rlRepresentationOptions('LearnRate',1e-2,'GradientThreshold',1); critic = rlValueRepresentation(criticNetwork,obsInfo,... 'Observation','myobs', criticOptions);
Задайте рекуррентную нейронную сеть для актёра. Поскольку у критика есть рецидивирующая сеть, у актёра должна быть и рецидивирующая сеть.
actorNetwork = [
sequenceInputLayer(obsInfo.Dimension(1),'Normalization','none','Name','myobs')
fullyConnectedLayer(8,'Name','fc')
reluLayer('Name','relu')
lstmLayer(8,'OutputMode','sequence','Name','lstm')
fullyConnectedLayer(numel(actInfo.Elements),'Name','output')
softmaxLayer('Name','actionProb')];Создайте стохастическое представление актера для сети.
actorOptions = rlRepresentationOptions('LearnRate',1e-3,'GradientThreshold',1); actor = rlStochasticActorRepresentation(actorNetwork,obsInfo,actInfo,... 'Observation','myobs', actorOptions);
Создайте объект опций агента.
agentOptions = rlPPOAgentOptions(... 'AdvantageEstimateMethod', 'finite-horizon', ... 'ClipFactor', 0.1);
Когда используются рекуррентные нейронные сети, MiniBatchSize свойство является длиной траектории обучения.
agentOptions.MiniBatchSize
ans = 128
Создайте агента с помощью представлений актёра и критика, а также объекта опции.
agent = rlPPOAgent(actor,critic,agentOptions);
Проверьте своего агента с помощью getAction, чтобы вернуть действие от случайного наблюдения.
getAction(agent,rand(obsInfo.Dimension))
ans = 1x1 cell array
{[10]}
Для непрерывных пространств действий этот агент не применяет ограничения, заданные спецификацией действия. В этом случае необходимо применить ограничения пространства действий в окружении.
Deep Network Designer | rlAgentInitializationOptions | rlPPOAgentOptions | rlStochasticActorRepresentation | rlValueRepresentation