Question

我正在尝试实施近端策略优化，但面临一个非常奇怪的问题。

这是问题的最小说明：

import numpy as np
import tensorflow as tf

raw_probs = tf.get_variable("raw_probs",[4])
probs = tf.nn.softmax(raw_probs)

actions = tf.placeholder(dtype=tf.int32, shape=[None], name='actions')
rewards = tf.placeholder(dtype=tf.float32, shape=[None], name='rewards')
old_probs = tf.placeholder(dtype=tf.float32, shape=[None], name='old_probs')
new_probs = tf.reduce_sum(probs * tf.one_hot(indices=actions, depth=4))
ratios = new_probs / old_probs
clipped_ratios = tf.clip_by_value(ratios, clip_value_min=0.8, clip_value_max=1.2)
loss_clip = -tf.reduce_mean(tf.minimum(tf.multiply(rewards, ratios), tf.multiply(rewards, clipped_ratios)))

optimizer = tf.train.AdamOptimizer()
train_pol = optimizer.minimize(loss_clip)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for i in range(1000):
        input_actions = []
        input_rewards = []
        input_old_probs = []

        for j in range(20):
            tmp_probs = sess.run(probs)
            if j == 0:
                print(tmp_probs)
            act = np.random.choice(4,p=tmp_probs)
            input_actions.append(act)
            if act == 0:
                input_rewards.append(1)
            else:
                input_rewards.append(-1)
            input_old_probs.append(tmp_probs[act])

        sess.run(train_pol,feed_dict={actions: input_actions,rewards: input_rewards,old_probs: input_old_probs})

程序根据概率分布绘制数字。如果得出0，则奖励1。如果得出其他数字，则奖励-1。然后程序根据结果调整概率。

从理论上讲，选择0的可能性应该总是增加，最终收敛到1。但是实际上，选择的可能性正在减小。

我在这里做什么错了？

Answer 1

我解决了！我对reduce_sum的影响还不够了解。

只是改变

new_probs = tf.reduce_sum(probs * tf.one_hot(indices=actions, depth=4))

进入

new_probs = tf.reduce_sum(probs * tf.one_hot(indices=actions, depth=4),1)

基于策略的学习无法融合

1 个答案: