Policy Gradient logp​(a​∣s​) 的计算 about easy-rl HOT 8 CLOSED

请参考 Policy Gradient 的代码实现：
https://github.com/datawhalechina/leedeeprl-notes/tree/master/codes/PolicyGradient

from easy-rl.

https://github.com/datawhalechina/leedeeprl-notes/blob/84294e6e26d4c7e05f34ca553928a28ebb17cedf/codes/PolicyGradient/agent.py#L62-L65

这里他是手动算的，不是调用现成交叉熵函数。

看到这个代码，我还有一个疑惑是 self.policy_net 是一个继承 torch.nn.Module 对象的实例，self.policy_net(state) 感觉像是调用了 forward() 方法，这种写法是一个语法糖么？我读了下 torch.nn.Module 的文档，没有发现提到这种写法。

相关代码片如下：

https://github.com/datawhalechina/leedeeprl-notes/blob/84294e6e26d4c7e05f34ca553928a28ebb17cedf/codes/PolicyGradient/agent.py#L63

https://github.com/datawhalechina/leedeeprl-notes/blob/84294e6e26d4c7e05f34ca553928a28ebb17cedf/codes/PolicyGradient/agent.py#L23

https://github.com/datawhalechina/leedeeprl-notes/blob/84294e6e26d4c7e05f34ca553928a28ebb17cedf/codes/PolicyGradient/model.py#L14-L27

from easy-rl.

self.policy_net(state)可以参考pytorch tutorial中的以下部分：

# Forward pass: compute predicted y by passing x to the model. Module objects
# override the __call__ operator so you can call them like functions. When
# doing so you pass a Tensor of input data to the Module and it produces
# a Tensor of output data.
y_pred = model(xx)

from easy-rl.

谢谢，类似 self.policy_net(state) 这种形式要求 self.policy_net 对象是 callable 的，让对象 callable 的一种方式就是实现 __call__ 方法。无论是 Pytorch 的 torch.nn.Module 类，还是 TensorFlow 的 tf.keras.Model 类，在它们的继承的类中都实现了 __call__ 方法，所以可以通过 self.policy_net(state) 这种形式传入 state 参数。

至于交叉熵函数，我看 Mofan Zhou 使用的是 tf.nn.sparse_softmax_cross_entropy_with_logits，不过对背后怎么对应成下面这个公式还有些没明白：

https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow/blob/1fd1c08a6c8928d027fb75d51ebf6f9441e3dc33/contents/7_Policy_gradient_softmax/RL_brain.py#L78

from easy-rl.

关于交叉熵函数，你的理解有两个问题。

1. 在 Policy Gradient 中，我们使用的是如上图所示的损失函数；
2. Mofan Zhou 的代码就是这样计算的（请看代码注释），具体函数使用请搜索官方文档。

# to maximize total reward (log_p * R) is to minimize -(log_p * R), and the tf only have minimize(loss)
neg_log_prob = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=all_act, labels=self.tf_acts)   # this is negative log of chosen action
# or in this way:
# neg_log_prob = tf.reduce_sum(-tf.log(self.all_act_prob)*tf.one_hot(self.tf_acts, self.n_actions), axis=1)
loss = tf.reduce_mean(neg_log_prob * self.tf_vt)  # reward guided loss

from easy-rl.

谢谢，没注意到注释的部分，结合注释看理解了一些。关于

# neg_log_prob = tf.reduce_sum(-tf.log(self.all_act_prob)*tf.one_hot(self.tf_acts, self.n_actions), axis=1)

这一行中的

tf.log(self.all_act_prob)*tf.one_hot(self.tf_acts, self.n_actions)

是和 第四章 策略梯度 中下图一致

我不太理解的是图中红框部分为什么是那样表示，我的理解是

log([0.2, 0.5, 0.3] * [0, 1, 0]) = log(0.5)

其中 ([0.2, 0.5, 0.3] * [0, 1, 0]) 这部分对应 「使用 π 策略，在 s_{t} 状态下输出 a_{t} 动作的概率」，即下图中的公式：

照我这样想的话，代码应该是

neg_log_prob = tf.reduce_sum(-tf.log(self.all_act_prob*tf.one_hot(self.tf_acts, self.n_actions)), axis=1)

而不是 mofan 的

neg_log_prob = tf.reduce_sum(-tf.log(self.all_act_prob)*tf.one_hot(self.tf_acts, self.n_actions), axis=1)

请问是我的理解哪里有问题么？

from easy-rl.

1. 红框部分的计算过程如下图所示：
   
2. mofan 的代码是对的，先求 log 概率，再乘以 one-hot 向量

from easy-rl.

现在一想，有点忘了为啥当初没理解 tf.log[0.2, 0.5, 0.3] 计算就是依次对 list 里的每个元素求 log。

exp_list = [tf.math.exp(tf.constant(1.0)), tf.math.exp(tf.constant(2.0))]

print(tf.math.log(exp_list))

# tf.Tensor([1. 2.], shape=(2,), dtype=float32)

现在反倒没想明白的是为啥是两个行向量相乘，估计只是一种表现形式吧...

from easy-rl.