什么是PPO

是一種off-policy 的 policy gradient。
PPO enables multiple epochs of minibatch updates.

Importance Sampling

可以在q的distribution里sample data，不用直接從p里sample data。
但是得乘上一個weight，這個weight就是\(\frac{p(x)}{q(x)}\)

Issue：

Mean一樣但是Variance不一定是一樣的。
當\(\frac{p(x)}{q(x)}\)比較大的時候，兩個的方差會差很多。
如果sample的次數不夠多，那么Mean和Variance可能都會差很多。

On-policy to Off-policy

上面是On-policy，下面是Off-policy。
主要是要用紅框里的weight去做修正。

trajectory分別在兩個distribution中出現的概率。

Gradient for Update：

實際上得到的A，應該是\(\theta'\)的，因為在\(\theta'\)中sample。
\(\frac{p_{\theta}(s_t)}{p_{\theta'}(s_t)}\)：很難算，而且兩個應該要比較近似，所以刪去這一項。
利用上面那個式子可以得到似然函數。HOW?

Add Constraint

避免兩個distribution差太多，加constraint。
K-L Divergence: KL散度，量化兩種概率分布之間差異的方式。

\(D_{KL}(p||q)=\sum_{i=1}^Np(x_i)\cdot log \frac{p(x_i)}{q(x_i)}\)

TRPO and PPO

TRPO是PPO的前身。

用KL divergence作為一個penalty，而不是像TRPO那樣用constraint，希望減小KL散度，希望學出來的兩個不要太不一樣。
TRPO和PPO只是KL散度放的地方不一樣。
TRPO和PPO可能效果差不多，但是PPO在實操的時候更加容易。

這里KL散度不是參數上的舉例，而是behavior上的距離。

給同個state的時候，output action distribution的差距。

PPO Algorithm

PPO1算法

Adaptive KL Penalty Coefficient：KL Penalty是可以動態調整的，你自己先設置一個你能接受的KL最小值和最大值。

KL大于最大值，就增加β。
KL小于最小值，就減小β。

PPO2算法

PPO1使用KL散度，PPO2就不用KL散度了。
Clip：

Pseudo Code

Reference

李宏毅的2021春機器學習課程視頻
Proximal Policy Optimization Algorithms：http://arxiv.org/abs/1707.06347

總結

以上是生活随笔為你收集整理的初识Proximal Policy Optimization (PPO)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。