RNN+RL
模型训练不是朝着灯塔方向走，而是使用一个不太靠谱的陀螺仪导航
Archive
机器学习
RL策略崩塌的复盘
用进废退
clipped surrogate loss in PPO
PPO是一种off policy的强化学习算法，它的优势就是可以重复使用之前policy与环境交互得到的数据，它通过将一个分布中的采样数据转换为从另一个分布中的采样数据，即从old policy这个分布转换为new policy这个分布 PPO就是在此基础上做了进一步优化使得其能适应强化学习的环境，其核心就是下面这个公式： 其中的 \( r_t(θ) \) …
stable-baselines3中的SAC
现象 本来自己写了一个SAC模型用于测试parking环境（http://highway-env.farama.org/environments/parking/），该环境模拟自动停车过程，小车需要停到停车场随机的一个目标车位（见下视频） 无奈模型怎么也无法达到预期效果，经过多次测试发现，仅仅将DDPG修改为不确定性策略是可行的，但一旦加上最大熵（SAC的核 …
pytorch 安装
报错： OSError: [WinError 126] The specified module could not be found. Error loading "xxx\site-packages\torch\lib\fbgemm.dll" or one of its dependencies. 安装 VC_redist.X64 没用（即 …
DDPG训练时如何判断有效收敛
注：本文没有给出真正的答案，只是作为一个记录 有效收敛是我自己创造的词，例如在训练过程中，模型收敛到输出与输入无关的状态，或者其他意料外的状态则为无效收敛，反之为有效收敛 DDPG的基本思想是 先训练一个critic，然后使用该critic训练actor，接着再用该actor训练critic。。。不停迭代，和GAN类似 DDPG用到了一些trick，但我在实 …
DDPG中各trick效果对比
本实验仅仅是一个简单的实验，用于比较在 “Pendulum-v1”（gym提供的一个小游戏，用于训练RL模型）环境下，使用: double net：critic和actor都拷贝一个副本，并延迟同步参数，在计算目标q值时使用改副本进行计算 每轮迭代次数：之前都是一局游戏结束就从历史数据中sample一批数据更新一次网络，而这里就是进行多次sample然后更新 …
Ornstein Uhlenbeck 噪声
直观理解 在DDPG（一种强化学习方法）采集数据过程中，会在actor输出的action上加上随机噪声以获得更好的探索性。 action是一个连续值，下图中的origin表示一个输出序列（一段时间内模型输出的action值） 最简单的加噪声方式就是直接在输出上加随机噪声，例如高斯噪声（第二行图像） 假如此时actor控制的是一个一辆汽车的方向盘，方向盘转动的 …
Actor-Critic优缺点
译自：https://www.linkedin.com/advice/0/what-advantages-disadvantages-using-actor-critic 优点： 1. 通过将critic net输出的q value作为baseline，可以降低policy gradient算法带来的误差，使得使用较少数据就能够使模型收敛 解释：PG算法性能 …
SAC、TD3、DDPG
本文不讲理论上的东西，只说实现上的不同。 事实上，如果单从实现来看，SAC和DDPG的差别不大。从 stable-baselines3 看，区别仅仅在于，SAC在训练critic和actor时，多在reward上加了一个熵值，而这也正是SAC的特性来源。 关于什么是熵，可以参见 交叉熵。简单来说，它就是一个值，与事件发生的概率呈负相关关系。因为在reward …