PPO系列3 - PPO原理

On Policy:

采集数据的模型,和训练的模型,是同一个。缺点:慢,生成一批样本数据,训练一次,又要重新生成下一批。

Off Policy:

采集数据的模型,和训练的模型,不是同一个。有点:快,生成一批样本数据,可以供训练多次。

例子:

On Policy: 小明上课玩手机,老师批评了小明,小明做了改正不玩手机了。行为是小明产生的,改正也是小明做的,所以是On Policy。

Off Policy: 小明上课玩手机,老师批评了小明,和小明同样喜欢上课玩儿手机的小王,看到小明因为这个被批评后,做了改正不玩手机了。行为是小明产生的,改正是小王做的,所以是Off Policy。

重要性采样

从最开始的x服从p分布,转化到x服从q分布。

把重要性采样,用在GAE强化学习上:

以上就是PPO的梯度。

以下就是PPO的损失函数:

在参考模型上进行采样,并且A里的状态价值V也是用参考模型的。

训练模型和参考模型,不能偏差过大

例子:如果小王是成绩好的学生,那么,差生小明因为考试经常交白卷被老师批评,这件事被小王看到,则对小王影响不大,小王没啥要改正的地方。只有当小王也是差生也有时会交白卷,此事才对小王有警示作用,促其改正。

加约束,有2种方式:

第1个是把KL散度加到loss里。(2个分布完全相等时,KL散度为0;差异越大,KL散度越大)

第2个是加约束,P比值,不能超出一个范围。

相关推荐
林泽毅5 小时前
SwanLab Slack通知插件:让AI训练状态同步更及时
深度学习·机器学习·强化学习
Mr.Winter`1 天前
深度强化学习 | 基于优先级经验池的DQN算法(附Pytorch实现)
人工智能·pytorch·神经网络·机器学习·机器人·强化学习
wxchyy3 天前
强化学习:Markov决策过程(MDP)——手把手教你入门强化学习(二)
强化学习
wxchyy3 天前
强化学习:基础知识篇(包含Gym库的简单实践)——手把手教你入门强化学习(一)
强化学习
deephub3 天前
SWEET-RL:基于训练时信息的多轮LLM代理强化学习框架
人工智能·大语言模型·强化学习
电力程序小学童4 天前
【强化学习】基于深度强化学习的微能源网能量管理与优化策略研究【Python】
python·强化学习·dqn·q学习·微能源网
Blossom.1184 天前
基于深度强化学习的智能机器人路径规划技术研究
深度学习·机器人·动态规划·人机交互·制造·强化学习·路径规划
Mu先生Ai世界6 天前
强化学习RL-NPC复杂奖励机制的陷阱与需求简化策略
强化学习
ModestCoder_7 天前
Ubuntu20.04系统安装IsaacSim4.5与IsaacLab环境
强化学习·具身智能
文弱_书生10 天前
关于强化学习小记
人工智能·神经网络·强化学习·马尔科夫决策