• 학습전 이해 : MP, DP, SP, MDP(https://norman3.github.io/rl/)
• n-step, episode, sequence
• deterministic policy vs stochastic policy
• policy 2가지 형태
  • 정책(상태) -> 명시적(explicit) -> Policy Iteration
  • 선택(가치함수(상태)) -> 내재적(implicit) -> Value Iteration

• value_iteration
  • gridworld예제 : value_iteration
• monte-carlo
  • gridworld예제 : Monte-Carlo

• sarsa

  • gridworld예제 : SARSA
  • maze예제 : SARSA
  • maze예제 : SARSA_epsilon_decay
  • maze예제 : SARSA_lr_decay
  • maze예제 : SARSA_both_decay

• q-learning :

  • gridworld예제 : Q-Learning
  • maze예제 : Q-Learning
  • maze예제 : Q-Learning_both_decay

• Function Approximation

  • gridword예제 : Linear_SARSA
  • gridword예제 : Non-Linear_SARSA

• DQN(value_based)

  • gridword예제 : DQN
  • cartpole예제 : DQN
  • driving예제 : DQN
  • cartpole예제 : DQN_bayesian
  • cartpole예제 : DQN_boltzmann

• REINFORCE(policy_based)

  • cartpole예제 : REINFORCE

• Actor-Critic(policy_based)

• MDP : State, Action, State transition probability, Reward, Discount_Factor
• 단기적 보상 vs 장기적 보상 : Sparse reward, delayed reward문제를 극복 -> 반환값(Return), 가치함수(Value function)
  • Return : 현재가치(PV)로 변환한 reward들의 합
  • Value function(가치함수) : Return에 대한 기대값
    • State Value Function(상태가치함수) : Q-function기대값이며 policy사용, 반환값(보상,감가율), 상태
    • Q-function(행동가치함수) : 특정 state에서 a라는 action을 취할 경우의 받을 return에 대한 기대값

• Bellman Expectation Equation(벨만기대방정식) : 특정 정책에 대한 가치함수
  
  • 가치함수에 대한 벨만기대방정식 :
  • 큐함수에 대한 벨만기대방정식 :
• Bellman Optimality Equation : optimal value function사이의 관계식
  • Optimal value function
  • 가치함수에 대한 벨만최적방정식 :
  • 큐함수에 대한 벨만최적방정식 :

• 큰 문제를 작은 문제로, 반복되는 값을 저장하면서 해결

  • 큰 문제 : 최적가치함수 계산
  • 작은 문제 : 현재의 가치함수를 더 좋은 가치함수로 업데이트
  • 벨만방적식으로 1-step계산으로 optimal계산

• Value Iteration(Bellman Optimality Equation)

  • 가치함수가 최적이라는 과정 :
  • 수렴한 가치함수에 greedy policy
  • Q-Learning

• Policy Iteration(Bellman Expectation Equation) : 정책평가 + 정책발전, GPI

  • 벨만 기대방정식을 이용함.
  • evaluation(Prediction) : 벨만기대방성식을 이용한 참 가치함수를 계산, 정책 파이에 대한 참 가치함수를 반복적으로, 모든 상태에 대해 동시에(한번)
  • improvement(Control) : 가치함수로 정책 파이를 업데이트, greedy policy
  • SARSA

• Off-policy vs On-policy

• SARSA : s,a,r,s',a' : Policy Iteration에 sampling적용

  • policy Iteration vs SARSA

    • 정책평가 -> TD-Learning
    • 정책발전 -> 엡실론 탐욕

  • 정책평가 : TD Learning(Bootstrap)

    1. 에이전트가 현재 상태 S_t=s에서 행동 A_t=a 선택하고 S,A
    2. 선택한 행동으로 환경에서 1-step진행
    3. 다음 상태 S_(t+1)=s'와 보상 R_(t+1)을 환경으로부터 받음 R
    4. 다음 상태 S_(t+1)=s'에서 행동 S', A'
    • 

  • 정책발전 improvement(Control) => 엡실론 탐욕 : 엡실론의 확률로 최적이 아닌 행동을 선택

    • 엡실론 탐욕정책으로 샘플을 획득함

  • 문제점 : on-policy(안좋은 보상을 만날경우 큐함수 업데이트가 지속적 감소)

• Q-Learning : Value Iteration에 sampling적용, Off-Policy(2개의 정책) -> s,a,r,s'

  • tip) off-policy : behavior policy(샘플수집정책 : 업데이트X), target policy(에이전트의 정책:업데이트o)
  • 벨만최적방정식으로 큐함수 업데이트, off-policy
    • 
  • Off-policy Learning
    • 행동하는 정책(exploration) : 엡실론탐욕, 볼츠만 등..
    • 학습하는 정책(exploitation) : 탐욕정책
  • 요약 : Q-Learning을 통한 학습 과정
    1. 상태 s에서 행동 a는 행동정책(엡실론 탐욕)으로 선택
    2. 환경으로부터 다음 상태 s'와 보상 r을 받음
    3. 벨만 최적방정식을 통해 q(s,a)를 업데이트
    • 학습정책 : 탐욕정책
    • 

• SARSA vs Q-Learning

  • on-policy TD Learning vs off-policy TD Learning
  • Update target :
    • vs

• Value function Approximation
  • Large state space, 비슷한 state는 비슷한 function의 output -> Generalization
  • Supervised Learning기법을 사용하여 Generalization
    • Function Approximation : Target function을 approximate하는 function을 찾음
      • Target function을 아는 경우 : 수치해석학(numerical analysis)
      • Target function을 모르는 경우 : regression, classification, ...
    • MSE
      • 큐함수의 결과값은 continous(regression), MSE, loss function(TD-error)
      • MSE :
    • Gradient Descent
      • MSE의 Gradient :
      • lr, target적용 :
    • 새로운 파라미터 : 기존parameter - (lr)(MSE의 graduent)
  • SARSA with function appoximation
    • 
  • Q-Learning with function approximation
    • 
  • function approximation 종류(Linear, Nonlinear)
    • linear
      • 큐함수의 gradient
        • 
      • Q-Learning with function approximation
        • 
    • nonlinear(Neural net)
      • MSE error에 대한 gradient :
      • 문제점 : sample by sample로 업데이트하기 때문에 다른 상태들의 큐함수에도 영향을 미침, 학습이 잘 안됨
  • Online update vs offline update
    • Online : 에이전트가 환경과 상호작용하고 있는 도중에 update
    • Offline : 에피소드가 끝난 후에 update

• Value-based RL

  • 가치함수를 통해 행동을 선택
  • 가치함수에 function approximator적용
  • 업데이트 대상이 가치함수(큐함수)
  • 각 행동이 얼마나 좋은지 큐함수를 통해 측정
  • 큐함수를 보고 행동을 선택(엡실론그리디)
  • SARSA, Q-LEARNING, DQN,...

• Policy-based RL

  • 정책에 따라 행동을 선택
  • 정책에 function approximator적용
  • 업데이트 대상이 정책
  • approximate된 정책의 input은 상태 벡터, output은 각 행동을 할 확률
  • 확률적으로 행동을 선택(stochastic policy)
  • REINFORCE, Actor-Critic, A3C,...

BreakOut_v4 Cartpole_DQN2015

• DQN2015 특징

  • CNN
  • Experience reply
    • Sample들의 상관관계를 깬다
  • Online update with Stochastic gradient descent
    • 점진적으로 변하는 큐함수에 대한 입실론그리디폴리시 사용
    • epsilon-greedy policy로 탐험하며 reply memory에서 추출한 mini-batch로 큐함수 업데이트
    • Q-learning update
      • 
    • DQN update : MSE error를 backpropagation
      • 
  • Target Q-network
    • Target network 의 사용 : update의 target이 계속 변하는 문제를 개선
    • 일정주기마다 현재의 network 를 로 업데이트

• DQN 학습과정

  • 탐험
    • 정책은 큐함수에 대한 epsilon-greedy policy
    • 엡실론은 time-step에 따라서 decay함
    • 엡실론은 1부터 시작해서 0.1까지 decay함. 이후 0.1을 지속적으로 유지함
  • 샘플의 저장
    • 에이전트는 epsilon-greedy policy에 따라 샘플 s,a,r,s'를 생성함
    • 샘플을 reply memory에 append함
  • 무작위 샘플링
    • 미니배치(32개) 샘플 추출
    • 샘플로부터 target값과 prediction값을 구함(32개)
      • MSE-error :
      • Target :
      • Prediction :
  • 일정 주기마다 Target network 업데이트

• DQN알고리즘 세부내용

  • Image preprocessing
    • Gray-Scale(210,160,1) -> (210,160,1)
    • Resize(210, 150,1) -> (84,84,1)
  • 4 images 1 history
    • 이미지한장에는 속도 정보 포함X
    • 연속된 4개의 image를 하나의 history로 네트워크에 input
    • 학습에 4번의 image중에 1개만 사용함(frame skip)
    • Frame skip한 상황에서 image를 하나의 history로
  • 30 no-op
    • 항상 같은 상태에서 시작하므로 초반에 local optimum으로 수렴할 확률이 높음
    • 0에서 30의 time-step 중에 랜덤으로 하나를 선택한 후 아무것도 안함
  • Reward clip
    • 게임마다 다른 reward를 통일
  • Huber loss
    • -1과 1사이는 quadratic, 다른 곳은 linear

• DQN

1. 환경초기화, 30 no-op
2. History에 따라 행동을 선택(엡실론그리디), 엡실론의 값을 decay
3. 선택한 행동으로 1 time-step환경에서 진행, 다음상태, 보상을 받음
4. 샘플을 형성(h,a,r,h'), reply memory에 append
5. 50000스텝 이상일 경우 reply memory에서 mini-batch

6. 10000스텝마다 target network업데이트

차후에 내용 보강

• Policy- based RL학습방법
  • 정책에 따라 행동
  • 행동한 결과에 따라 정책을 평가
    • 기준 : 목적함수(Objectvive function/performance measure)
      • 
    • 정책망 자체를 업데이트(policy gradient)
  • 평가한 결과에 따라 정책 업뎃
    • Policy gradient로 정책을 업데이트 :
    • 을 알아내는 접근방법 2가지
      • REINFORCE : return값
      • Actor-Critic : 가치함수
• Policy-Grdient계산
  • 어떤 상태에 에이전트가 있었는지
    • State distribution가 세타값에 따라 달라진다
  • 각 상태에서 에이전트가 어떤 행동을 선택했는가
    • 정책에 따라 확률적으로 행동을 선택함 -> 세타값에 따라 달라진다
• Policy Gradient Theorem
  • 
  • 
  • 를 구하는 방법
    • return값을 사용하는 방법 : REINFORCE
    • critic network를 사용하는 방법 : Actor-Critic
• REINFORCE 알고리즘 순서
  • 한 에피소드를 policy-network에 따라 실행
  • 에피소드를 기록
  • 에피소드가 끝난 뒤 방문한 상태들에 대한 리턴값을 계산
  • 를 계산하여 정책망을 업데이트함
  • 앞의 4단계를 반복함
• baseline를 사용한 REINFORCE
  • 원인 : Variance이 커지는 문제. 각각의 에피소드가 끝날때가지 기다리기 때문임!!!!
  • 
  • 모형에 적용
  • 가치함수를 베이스라인으로 적용함(가치함수 네트워크를 설정함)
  • 가치함수 네트워크를 업데이트함(TD-error)