neural-network - 当可能有多个 Action 时，策略梯度是多少？

Question

我正在尝试使用策略梯度编写强化学习算法，灵感来自 Karpathy's blog article . Karpathy 的示例只有向上或向下两个 Action ，因此单个输出神经元就足够了(高激活=向上，低激活=向下)。我想将其扩展到多个 Action ，所以我相信我需要在输出层上使用 softmax 激活函数。但是，我不确定输出层的梯度应该是多少。

如果我在监督学习环境中使用带有 softmax 激活的交叉熵损失函数，神经元的梯度很简单:

g[i] = a[i] - target[i]

其中 target[i] = 1 用于所需的操作，0 用于所有其他操作。

为了将其用于强化学习，我会在反向传播之前将 g[i] 乘以折扣奖励。

但是，似乎强化学习使用负对数似然作为损失而不是交叉熵。 这如何改变梯度？

Answer 1

注意:我认为可以让您走上正轨:

负对数似然也称为多类交叉熵(模式识别和机器学习)。

编辑:误读了问题。我以为这是在谈论深度确定性策略梯度

这取决于您的领域，但使用 softmax，您将获得所有输出节点的概率。对我来说，当你想到 DDPG 时，这在大多数领域都没有真正意义。例如，如果您正在控制机器人 ARM 和腿的拉伸(stretch)，如果您想拉伸(stretch)所有肢体，则将肢体拉伸(stretch)测量为 [.25, .25, .25, .25] 是没有意义的。在这种情况下，.25 可能意味着完全扩展，但如果输出向量是 [.75,.25,0,0] 会怎样？因此，通过这种方式，对于所有 Action 节点，您可以有一个从 0 到 1 的单独的 sigmoid 函数，然后您可以将它表示为 [1,1,1,1] 用于所有正在拉伸(stretch)的 ARM 。我希望这是有道理的。

由于 Actor 网络决定了 DDPG 中的 Action ，因此我们可以为我们的机器人(粗略的 keras 示例)表示我们的网络:

state = Input(shape=[your_state_shape])
hidden_layer = Dense(30, activation='relu')(state)
all_limbs = Dense(4, activation='sigmoid')(hidden_layer)
model = Model(input=state, output=all_limbs)

然后，您的评论网络将必须考虑行动维度。

state = Input(shape=[your_state_shape])
action = Input(shape=[4])
state_hidden = Dense(30, activation='relu')(state)
state_hidden_2 = Dense(30, activation='linear')(state_hidden)
action_hidden = Dense(30, activation='linear')(action)
combined = merge([state_hidden_2, action_hidden], mode='sum')
squasher = Dense(30, activation='relu')(combined)
output = Dense(4, activation='linear')(squasher) #number of actions

然后您可以从那里使用您的目标函数。请注意，我不知道这段代码是否有效，因为我还没有测试过它，但希望你能理解。

来源:https://arxiv.org/pdf/1509.02971.pdf 关于 Torc 的很棒的博客(不是我创建的):https://yanpanlau.github.io/2016/10/11/Torcs-Keras.html

在上面的博客中，他们还展示了如何使用不同的输出函数，例如一个 TAHN 和两个用于操作的 sigmoid 函数。