Ближайший агент обучения с подкреплением оптимизации политики
Ближайшая оптимизация политики (PPO) является без моделей, онлайн, на политике, методом обучения с подкреплением градиента политики. Этот алгоритм чередуется между выборкой данных через экологическое взаимодействие и оптимизацией отсеченной суррогатной целевой функции с помощью стохастического градиентного спуска. Пространство действий может быть или дискретным или непрерывным.
Для получения дополнительной информации об агентах PPO смотрите Ближайших Агентов Оптимизации политики. Для получения дополнительной информации о различных типах агентов обучения с подкреплением смотрите Агентов Обучения с подкреплением.
agent = rlPPOAgent(observationInfo,actionInfo)observationInfo и спецификация действия actionInfo.
agent = rlPPOAgent(observationInfo,actionInfo,initOpts)initOpts объект. Агенты критика агента 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 заданной среде |
sim | Симулируйте обученных агентов обучения с подкреплением в заданной среде |
getAction | Получите действие из агента или представления актера, данного наблюдения среды |
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 среду с дискретным пространством действий и получите его спецификации наблюдений и спецификации действия. В данном примере загрузите среду, используемую в примере, Создают Агента Используя Deep Network Designer и Обучаются Используя Наблюдения Изображений. Эта среда имеет два наблюдения: 50 50 полутоновое изображение и скаляр (скорость вращения маятника). Действие является скаляром с пятью возможными элементами (крутящий момент любого-2, -1, 0, 1, или 2 Nm обратился к качающемуся полюсу).
% load predefined environment env = rlPredefinedEnv("SimplePendulumWithImage-Discrete");
Получите спецификации наблюдений и спецификации действия от среды.
obsInfo = getObservationInfo(env); actInfo = getActionInfo(env);
Функция создания агента инициализирует агента и сети критика случайным образом. Можно гарантировать воспроизводимость путем фиксации seed случайного генератора. Для этого не прокомментируйте следующую линию.
% rng(0)Создайте агента PPO из спецификаций наблюдений среды и спецификаций действия.
agent = rlPPOAgent(obsInfo,actInfo);
Чтобы проверять вашего агента, используйте getAction возвратить действие в случайное наблюдение.
getAction(agent,{rand(obsInfo(1).Dimension),rand(obsInfo(2).Dimension)})ans = 1x1 cell array
{[-2]}
Можно теперь протестировать и обучить агента в среде.
Создайте среду с непрерывным пространством действий и получите его спецификации наблюдений и спецификации действия. В данном примере загрузите среду, используемую в примере, Обучают Агента DDPG к Swing и Маятнику Баланса с Наблюдением Изображений. Эта среда имеет два наблюдения: 50 50 полутоновое изображение и скаляр (скорость вращения маятника). Действие является скаляром, представляющим крутящий момент, располагающийся постоянно от-2 к 2 Nm.
% 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 номера по умолчанию, 256).
initOpts = rlAgentInitializationOptions('NumHiddenUnit',128);Функция создания агента инициализирует агента и сети критика случайным образом. Можно гарантировать воспроизводимость путем фиксации seed случайного генератора. Для этого не прокомментируйте следующую линию.
% rng(0)Создайте агента критика агента PPO из спецификаций наблюдений среды и спецификаций действия.
agent = rlPPOAgent(obsInfo,actInfo,initOpts);
Уменьшайте скорость обучения критика до 1e-3.
critic = getCritic(agent); critic.Options.LearnRate = 1e-3; agent = setCritic(agent,critic);
Извлеките глубокие нейронные сети и из агента агента и из критика.
actorNet = getModel(getActor(agent)); criticNet = getModel(getCritic(agent));
Отобразите слои сети критика и проверьте, что каждый скрытый полносвязный слой имеет 128 нейронов
criticNet.Layers
ans =
11x1 Layer array with layers:
1 'input_1' Image Input 50x50x1 images
2 'conv_1' Convolution 64 3x3x1 convolutions with stride [1 1] and padding [0 0 0 0]
3 'relu_input_1' ReLU ReLU
4 'fc_1' Fully Connected 128 fully connected layer
5 'input_2' Feature Input 1 features
6 'fc_2' Fully Connected 128 fully connected layer
7 'concat' Concatenation Concatenation of 2 inputs along dimension 1
8 'relu_body' ReLU ReLU
9 'fc_body' Fully Connected 128 fully connected layer
10 'body_output' ReLU ReLU
11 'output' Fully Connected 1 fully connected layer
Постройте сети критика и агент
plot(layerGraph(actorNet))
plot(layerGraph(criticNet))
Чтобы проверять вашего агента, используйте getAction возвратить действие в случайное наблюдение.
getAction(agent,{rand(obsInfo(1).Dimension),rand(obsInfo(2).Dimension)})ans = 1x1 cell array
{[0.9228]}
Можно теперь протестировать и обучить агента в среде.
Создайте интерфейс среды и получите его спецификации наблюдений 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 среды, агента и критика.
agentOpts = rlPPOAgentOptions(... 'ExperienceHorizon',1024, ... 'DiscountFactor',0.95); agent = rlPPOAgent(actor,critic,agentOpts)
agent =
rlPPOAgent with properties:
AgentOptions: [1x1 rl.option.rlPPOAgentOptions]
Чтобы проверять вашего агента, используйте getAction возвратить действие в случайное наблюдение.
getAction(agent,{rand(4,1)})ans = 1x1 cell array
{[-10]}
Можно теперь протестировать и обучить агента против среды.
Создайте среду с непрерывным пространством действий и получите его спецификации наблюдений и спецификации действия. В данном примере загрузите двойную среду непрерывного пространства действий интегратора, используемую в примере, Обучают Агента DDPG Управлять Двойной Системой Интегратора. Наблюдение средой является вектором, содержащим положение и скорость массы. Действие является скаляром, представляющим силу, применился к массе, располагаясь постоянно от-2 к 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 ограниченном диапазоне, установите верхнее, и нижний предел действия сигнализируют соответственно. Необходимо сделать так, когда сетевое представление для агента имеет нелинейный выходной слой, который должен масштабироваться, чтобы произвести выход в желаемой области значений.
actInfo.LowerLimit=-2; actInfo.UpperLimit=2;
Создайте представление критика. Агенты PPO используют rlValueRepresentation для критика. Для непрерывных пространств наблюдений можно использовать или глубокую нейронную сеть или пользовательское базисное представление. В данном примере создайте глубокую нейронную сеть как базовую аппроксимацию.
% 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 агенты могут только использовать аппроксимацию нейронной сети.
Вход наблюдения (здесь названный myobs) должен принять двумерный вектор, как задано в obsInfo. Выход (здесь названный myact) должен также быть двумерный вектор (дважды количество размерностей, заданных в actInfo). Элементы выходного вектора представляют, в последовательности, всех средних значениях и всех стандартных отклонениях каждого действия (в этом случае существует только одно среднее значение и одно стандартное отклонение).
То, что стандартные отклонения должны быть неотрицательными, в то время как средние значения должны находиться в пределах выходной области значений, означает, что сеть должна иметь два отдельных пути. Первый путь для средних значений, и любая выходная нелинейность должна масштабироваться так, чтобы это могло произвести выходные параметры в выходной области значений. Второй путь для стандартных отклонений, и необходимо использовать softplus или relu слой, чтобы осуществить неотрицательность.
% 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(1,2,'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: you must connect the mean value path 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 агента 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 агента, критика и опций агента.
agentOpts = rlPPOAgentOptions(... 'ExperienceHorizon',1024, ... 'DiscountFactor',0.95); agent = rlPPOAgent(actor,critic,agentOpts)
agent =
rlPPOAgent with properties:
AgentOptions: [1x1 rl.option.rlPPOAgentOptions]
Чтобы проверять вашего агента, используйте getAction возвратить действие в случайное наблюдение.
getAction(agent,{rand(2,1)})ans = 1x1 cell array
{[0.6668]}
Можно теперь протестировать и обучить агента в среде.
Поскольку этот пример загружает предопределенную среду, используемую для Обучения Агента DQN Сбалансировать Системный пример Тележки с шестом.
env = rlPredefinedEnv('CartPole-Discrete');Получите информацию наблюдения и действия. Эта среда имеет непрерывное четырехмерное пространство наблюдений (положения и скорости и тележки и полюса) и дискретное одномерное пространство действий, состоящее на приложении двух возможных сил,-10N или 10 Н.
obsInfo = getObservationInfo(env); actInfo = getActionInfo(env);
Создайте текущую глубокую нейронную сеть для критика. Чтобы создать рекуррентную нейронную сеть, используйте sequenceInputLayer как входной слой и включают 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 агента. Поскольку у критика есть текущая сеть, агент должен иметь текущую сеть также.
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 рекуррентные нейронные сети используются, MiniBatchSize свойство является длиной траектории изучения.
agentOptions.MiniBatchSize
ans = 128
Создайте агента с помощью представлений актёра и критика, а также объекта опций агента.
agent = rlPPOAgent(actor,critic,agentOptions);
Проверяйте своего агента с помощью getAction, чтобы возвратить действие в случайное наблюдение.
getAction(agent,rand(obsInfo.Dimension))
ans = 1x1 cell array
{[10]}
Для непрерывных пространств действий этот агент не осуществляет ограничения, установленные спецификацией действия. В этом случае необходимо осуществить ограничения пространства действий в среде.
В то время как настройка скорости обучения сети агента необходима для агентов PPO, это не необходимо для агентов TRPO.
rlAgentInitializationOptions | rlPPOAgentOptions | rlStochasticActorRepresentation | rlValueRepresentation | Deep Network Designer