Pytorch强化学习demo

训练模型, 让它的输出更接近0.8。当离0.8越大, reward越小, 甚至为负, 那就代表着奖励更少, 惩罚更多。比如现在模型输出是0.5, 那么就会有对应的reward值, 代表正奖惩力度。那么当loss向前传导, step()

更新权重时, 它知道0.5会有惩罚, 但它怎么知道要大于0.5的方向调整, 还是小于0.5的方向调整呢。它其实会对reward = 1.0 - diff * 5这个式子求导处理。因此它知道这个0.5小了。如果输出的时0.9,它会知道大了。

它会根据reward = 1.0 - diff * 5知道调整的方向. 就像调节声音一样,当你向左拧按钮,有人告诉你声音小了。往右拧,告诉你大了。多次调整就能调整到一个合适的值了。

一个值x输入model, 经过神经网络fc, 得到输出, 然后输出再经过与标注的值计算loss, 或者强化学习, 设置reward和loss策略, 从loss到x都是张量, 全都被计算图连接着。因此loss.backward()会向前传导所有计算图里的张量, optimizer.step()会根据梯度的方向来改变网络中的权重参数。

python 复制代码
import torch
import torch.nn as nn
import torch.optim as optim

# --- 模型:输入1,输出一个数(0~1之间)
class SimpleModel(nn.Module):
    def __init__(self):
        super().__init__()
        #    #根据fc.weight.grad和fc.bias.grad来去更新fc.bias和fc.weight的值对么
        self.fc = nn.Linear(1, 1)   #     self.fc = nn.Linear(1, 1)  # 输入是一个固定的常数1 y=x×w+b   w 就是 weight,b 就是 bias。  在这个小例子里,唯一在学习的,就是这个 Linear 层的 weight 和 bias。
        self.sigmoid = nn.Sigmoid()  # 输出限制在 [0,1]  Sigmoid()是一个激活函数, 把任何输入映射成[0, 1]之间

    def forward(self, x):
        return self.sigmoid(self.fc(x))


model = SimpleModel()
optimizer = optim.Adam(model.parameters(), lr=0.1)

target_value = 0.8  # 我们希望模型的输出接近这个值

# --- 训练循环 ---
for step in range(50):
    x = torch.ones(1,1)                 # 输入随便,就给常数1
    output = model(x)                   # 模型输出一个值,范围[0,1]

    # 奖励函数:越接近 target_value 越好
    diff = abs(output.item() - target_value)
    reward = 1.0 - diff * 5  # k=5,距离越大惩罚越大

    # 损失函数:-reward * log(output)
    logp = torch.log(output)
    loss = -reward * logp

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    print(f"Step {step}: output={output.item():.3f}, reward={reward:.3f}, loss={loss.item():.3f}")



# loss.backward()   # 计算出梯度,存到 fc.weight.grad 和 fc.bias.grad
# optimizer.step()  # 用梯度更新 fc.weight 和 fc.bias 的值


# optimizer.step()
# 作用:根据梯度更新参数
# 例如用 SGD 的话,大概是:
# w:=w−η⋅gradw​
# b:=b−η⋅gradb​
# 其中 η 就是学习率 (lr)。
# 用 Adam 的话,更新更复杂,但核心思想一样:用 .grad 来更新 weight 和 bias


    
相关推荐
Gerlat小智3 小时前
【手撕机器学习 03】从“生数据”到“黄金特征”:机器学习项目中价值最高的一步
人工智能·机器学习
云澈ovo3 小时前
稀疏化神经网络:降低AI推理延迟的量化压缩技术
人工智能·深度学习·神经网络
金井PRATHAMA4 小时前
逻辑的回归——一阶谓词逻辑及其变体在自然语言处理深层语义分析中的作用与前瞻
人工智能·机器学习·自然语言处理·数据挖掘·回归·知识图谱
炘东5925 小时前
vscode连接算力平台
pytorch·vscode·深度学习·gpu算力
春末的南方城市5 小时前
复旦&华为提出首个空间理解和生成统一框架UniUGG,支持参考图像和任意视图变换的 3D 场景生成和空间视觉问答 (VQA) 任务。
人工智能·科技·深度学习·计算机视觉·aigc
努力也学不会java6 小时前
【Java并发】揭秘Lock体系 -- condition等待通知机制
java·开发语言·人工智能·机器学习·juc·condition
lisw057 小时前
大模型的第一性原理考量:基于物理本质与数学基础的范式重构
网络·人工智能·机器学习
数字化顾问7 小时前
Transformer模型:深度解析自然语言处理的革命性架构——从预训练范式到产业级实践
深度学习
LETTER•7 小时前
深入理解 LLM 分词器:BPE、WordPiece 与 Unigram
深度学习·语言模型·自然语言处理