rlPPOAgent
描述
近端政策优化(PPO)是一个模范自由,在网上,在政策、策略梯度强化学习方法。该算法交替采样数据通过环境之间交互和优化剪使用随机梯度下降法替代目标函数。可以是离散或连续的行动空间。连续操作空间,这个代理不强制约束集的操作规范;因此,如果您需要执行行动的限制,你必须这样做,内环境。
PPO代理的更多信息,请参阅近端政策优化(PPO)代理。更多信息在不同类型的强化学习代理,看看强化学习代理。
创建
语法
描述
从观察和行动规范创建代理
代理= rlPPOAgent (observationInfo,actionInfo)observationInfo和操作规范actionInfo。的ObservationInfo和ActionInfo的属性代理是设置为observationInfo和actionInfo分别输入参数。
代理= rlPPOAgent (observationInfo,actionInfo,initOpts)initOpts对象。Actor-critic代理不支持递归神经网络。万博1manbetx初始化选项的更多信息,请参阅rlAgentInitializationOptions。
指定代理选项
代理= rlPPOAgent (___,agentOptions)agentOptions输入参数。使用这个语法的任何输入参数后以前的语法。
输入参数
属性
对象的功能
例子
创建离散PPO代理从观察和操作规范
创造一个环境,一个离散的行动空间,并获得其观察和操作规范。对于这个示例,负载在示例中使用的环境创建DQN代理使用深层网络设计师和训练使用图像的观察。这个环境有两个观察:50-by-50灰度图像和一个标量(摆的角速度)。行动是一个标量和五个可能的元素(转矩的2 1 0 1,或2 Nm应用于摆动杆)。
env = rlPredefinedEnv (“SimplePendulumWithImage-Discrete”);
从环境中获得观察和操作规范。
obsInfo = getObservationInfo (env);actInfo = getActionInfo (env);
代理创建函数初始化演员和评论家网络随机。确保修复种子再现性的随机发生器。
rng (0)
创建PPO代理从环境中观察和操作规范。
代理= rlPPOAgent (obsInfo actInfo);
检查您的代理,使用getAction返回操作从一个随机的观察。
getAction(代理,{兰特(obsInfo (1) .Dimension),兰德(obsInfo (2) .Dimension)})
ans =1 x1单元阵列{[2]}
您现在可以测试和培训环境内的代理。您还可以使用getActor和getCritic分别提取演员和评论家getModel提取近似者模型(默认情况下深神经网络)的演员或评论家。
使用初始化选项创建连续PPO代理
创造一个环境,一个连续的操作空间和获得其观察和操作规范。对于这个示例,负载在示例中使用的环境火车DDPG代理摇摆起来,平衡摆与图像观察。这个环境有两个观察:50-by-50灰度图像和一个标量(摆的角速度)。行动是一个标量代表一个扭矩不断从2到2海里。
env = rlPredefinedEnv (“SimplePendulumWithImage-Continuous”);obsInfo = getObservationInfo (env);actInfo = getActionInfo (env);
创建一个代理对象初始化选项,指定每个隐藏在网络必须完全连接层128年神经元(而不是默认的号码,256年)。
initOpts = rlAgentInitializationOptions (NumHiddenUnit = 128);
代理创建函数初始化演员和评论家网络随机。确保修复种子再现性的随机发生器。
rng (0)
创建一个PPO actor-critic代理从环境中观察和操作规范。
代理= rlPPOAgent (obsInfo actInfo initOpts);
提取深层神经网络代理的演员和评论家。
actorNet = getModel (getActor(代理));criticNet = getModel (getCritic(代理));
验证每个隐藏完全连接层有128个神经元,可以显示层MATLAB®命令窗口,
criticNet.Layers
或可视化结构交互使用analyzeNetwork。
analyzeNetwork (criticNet)
情节演员和评论家网络
情节(layerGraph (actorNet))
情节(layerGraph (criticNet))
检查您的代理,使用getAction返回操作从一个随机的观察。
getAction(代理,{兰特(obsInfo (1) .Dimension),兰德(obsInfo (2) .Dimension)})
ans =1 x1单元阵列{[0.9228]}
您现在可以测试和培训环境内的代理。
创建近端策略优化代理
创建一个环境接口,获取其观察和操作规范。
env = rlPredefinedEnv (“CartPole-Discrete”);obsInfo = getObservationInfo (env);actInfo = getActionInfo (env);
PPO代理使用参数化值函数作为一个评论家。值函数批评以当前观测作为输入并返回一个标量输出(估计折扣累积长期奖励政策后的状态对应于当前观察)。
在评论家,模型参数化的值函数使用一个输入神经网络层(接收观测通道的内容,按照奥林匹克广播服务公司信息)和一个输出层(返回标量值)。请注意,刺激(obsInfo.Dimension)返回总数的维度观察空间无论观察空间是一个列向量,行向量或矩阵。
层的网络定义为一个数组对象。
criticNet = [featureInputLayer (prod (obsInfo.Dimension)) fullyConnectedLayer (100) reluLayer fullyConnectedLayer (1)];
转换为一个dlnetwork对象和显示参数的数量。
criticNet = dlnetwork (criticNet);总结(criticNet)
初始化:可学的真正的数字:601输入:1“输入”4特性
创建一个评论家使用criticNet并观测规范对象。有关更多信息,请参见rlValueFunction。
评论家= rlValueFunction (criticNet obsInfo);
检查评论家与随机观测输入。
getValue(评论家,{兰德(obsInfo.Dimension)})
ans =单-0.2479
政策使用参数化随机梯度代理政策,离散行动空间由一个离散实现分类的演员。这演员需要一个观察作为输入并返回输出随机行动采样(在有限数量的可能的行动)从分类概率分布。
模型中的参数化政策的演员,使用一个输入神经网络层(接收环境观察频道的内容,规定obsInfo)和一个输出层。输出层必须返回一个向量的概率为每个可能的行动,是指定的actInfo。请注意,元素个数(actInfo.Dimension)返回的元素数量的离散动作空间。
层的网络定义为一个数组对象。
actorNet = [featureInputLayer (prod (obsInfo.Dimension)) fullyConnectedLayer (200) reluLayer fullyConnectedLayer(元素个数(actInfo.Dimension)));
转换为一个dlnetwork对象和显示参数的数量。
actorNet = dlnetwork (actorNet);总结(actorNet)
初始化:真很多可学的:1.4 k输入:1“输入”4特性
创建一个演员使用actorNet和环境规范对象。有关更多信息,请参见rlDiscreteCategoricalActor。
演员= rlDiscreteCategoricalActor (actorNet obsInfo actInfo);
检查演员与一个随机观测输入。
getAction(演员,{兰德(obsInfo.Dimension)})
ans =1 x1单元阵列{[-10]}
创建PPO代理使用演员和评论家。
代理= rlPPOAgent(演员,评论家)
代理= rlPPOAgent属性:AgentOptions: [1 x1 rl.option。rlPPOAgentOptions] UseExplorationPolicy: 1 ObservationInfo: [1x1 rl.util.rlNumericSpec] ActionInfo: [1x1 rl.util.rlFiniteSetSpec] SampleTime: 1
指定代理选项,包括培训选择演员和评论家。
agent.AgentOptions。ExperienceHorizon = 1024;agent.AgentOptions。DiscountFactor = 0.95;agent.AgentOptions.CriticOptimizerOptions。LearnRate = 8 e - 3;agent.AgentOptions.CriticOptimizerOptions。GradientThreshold = 1;agent.AgentOptions.ActorOptimizerOptions。LearnRate = 8 e - 3;agent.AgentOptions.ActorOptimizerOptions。GradientThreshold = 1;
检查您的代理,使用getAction返回操作从一个随机的观察。
getAction(代理,{兰德(obsInfo.Dimension)})
ans =1 x1单元阵列{[-10]}
您现在可以测试和培训代理与环境。
创建连续PPO代理
创造一个环境,一个持续的行动空间,获得其观察和操作规范。对于这个示例,加载双积分器连续行动空间环境中使用的例子火车DDPG剂来控制双积分器系统。观察从环境中包含位置和速度是一个向量的质量。行动是一个标量代表一种力量,应用于质量,不断从2到2牛顿。
env = rlPredefinedEnv (“DoubleIntegrator-Continuous”);obsInfo = getObservationInfo (env)
obsInfo = rlNumericSpec属性:LowerLimit:无穷UpperLimit:正的名字:“状态”的描述:“x, dx”维度:[2 1]数据类型:“替身”
actInfo = getActionInfo (env)
actInfo = rlNumericSpec属性:LowerLimit:无穷UpperLimit:正的名字:“力”描述:[0 x0字符串]维度:[1]数据类型:“替身”
在这个例子中,这个动作是一个标量值代表一个力从2到2牛顿。以确保代理的输出是在这个范围内,你执行一个适当的缩放操作。存储这些限制,所以你以后可以很容易地访问它们。
actInfo.LowerLimit = 2;actInfo.UpperLimit = 2;
演员和评论家网络随机初始化。确保修复种子再现性的随机发生器。
rng (0)
PPO代理使用参数化值函数作为一个评论家。值函数批评以当前观测作为输入并返回一个标量输出(估计折扣累积长期奖励政策后的状态对应于当前观察)。
在评论家模型参数化的值函数,使用神经网络和两个输入层(一个用于每个观测通道,按照奥林匹克广播服务公司信息)和一个输出层(返回标量值)。请注意,刺激(obsInfo.Dimension)返回总数的维度观察空间无论观察空间是一个列向量,行向量或矩阵。
层的网络定义为一个数组对象。
criticNet = [featureInputLayer (prod (obsInfo.Dimension)) fullyConnectedLayer (100) reluLayer fullyConnectedLayer (1)];
转换为一个dlnetwork对象和显示参数的数量。
criticNet = dlnetwork (criticNet);总结(criticNet)
初始化:可学的真正的数字:401输入:1“输入”2的特性
创建评论家接近者对象使用criticNet并观察规范。有关更多信息,请参见rlValueFunction。
评论家= rlValueFunction (criticNet obsInfo);
检查评论家与随机观测输入。
getValue(评论家,{兰德(obsInfo.Dimension)})
ans =单-0.0899
PPO代理使用参数化随机策略,连续动作空间由一个连续实现高斯的演员。这演员需要一个观察作为输入并返回输出随机行动从高斯概率分布采样。
近似高斯分布的平均值和标准偏差,您必须使用神经网络和两个输出层,每一个拥有尽可能多的元素行为空间的维数。一个输出层必须返回一个向量包含每个行动维度的平均值。另一个必须返回向量包含每个行动维度的标准差。
注意,必须负的值和均值标准差必须在范围之内的所有行动。因此输出层返回必须softplus或标准差ReLU层,执行nonnegativity,而输出层返回平均值必须扩展层,按比例输出范围的平均值。
对于这个示例环境只有一个观测通道,因此网络只有一个输入层。
定义每个网络路径层对象数组,并将名称分配给每条路径的输入和输出层。这些名字让你连接路径,然后明确关联网络的输入和输出通道层与适当的环境。
%定义常见的输入路径层commonPath = [featureInputLayer (prod (obsInfo.Dimension),名称=“comPathIn”)fullyConnectedLayer (100) reluLayer fullyConnectedLayer (Name =“comPathOut”));%定义平均值的道路meanPath = = [fullyConnectedLayer(15日的名字“meanPathIn”)reluLayer fullyConnectedLayer(刺激(actInfo.Dimension));tanhLayer;scalingLayer (Name =“meanPathOut”、规模= actInfo.UpperLimit)];%定义标准偏差的道路sdevPath = [fullyConnectedLayer(15日“名称”,“stdPathIn”)reluLayer fullyConnectedLayer(刺激(actInfo.Dimension));softplusLayer (Name =“stdPathOut”));%添加层layerGraph对象actorNet = layerGraph (commonPath);actorNet = addLayers (actorNet meanPath);actorNet = addLayers (actorNet sdevPath);%连接路径actorNet = connectLayers (actorNet,“comPathOut”,“meanPathIn /”);actorNet = connectLayers (actorNet,“comPathOut”,“stdPathIn /”);%的阴谋网络情节(actorNet)
%转换为dlnetwork和显示数量的权重actorNet = dlnetwork (actorNet);总结(actorNet)
初始化:可学的真正的数字:493输入:1“comPathIn”2的特性
创建角色接近者对象使用actorNet、环境规范,网络输入层的名称与环境观测通道,连接和网络输出层的名称计算平均值的标准偏差值的行动。
有关更多信息,请参见rlContinuousGaussianActor。
演员= rlContinuousGaussianActor (actorNet obsInfo actInfo,…“ActionMeanOutputNames”,“meanPathOut”,…“ActionStandardDeviationOutputNames”,“stdPathOut”,…ObservationInputNames =“comPathIn”);
检查演员与一个随机观测输入。
getAction(演员,{兰德(obsInfo.Dimension)})
ans =1 x1单元阵列{[-0.2267]}
创建PPO代理使用演员和评论家。
代理= rlPPOAgent(演员,评论家)
代理= rlPPOAgent属性:AgentOptions: [1 x1 rl.option。rlPPOAgentOptions] UseExplorationPolicy: 1 ObservationInfo: [1x1 rl.util.rlNumericSpec] ActionInfo: [1x1 rl.util.rlNumericSpec] SampleTime: 1
指定代理选项,包括培训选择演员和评论家。
agent.AgentOptions。ExperienceHorizon = 1024;agent.AgentOptions。DiscountFactor = 0.95;agent.AgentOptions.CriticOptimizerOptions。LearnRate = 8 e - 3;agent.AgentOptions.CriticOptimizerOptions。GradientThreshold = 1;agent.AgentOptions.ActorOptimizerOptions。LearnRate = 8 e - 3;agent.AgentOptions.ActorOptimizerOptions。GradientThreshold = 1;
指定培训选项的评论家。
criticOpts = rlOptimizerOptions (…LearnRate = 8 e - 3, GradientThreshold = 1);
检查您的代理,使用getAction返回操作从一个随机的观察。
getAction(代理,{兰德(obsInfo.Dimension)})
ans =1 x1单元阵列{[0.2719]}
您现在可以测试和培训环境内的代理。
创建PPO与复发性神经网络代理
对于这个示例加载用于预定义的环境火车DQN代理Cart-Pole平衡系统的例子。
env = rlPredefinedEnv (“CartPole-Discrete”);
获得观察和操作信息。这个环境中有一个连续四维观测空间(两车的位置和速度和极)和离散维操作空间组成应用程序的两个可能的部队,-10 n或10 n。
obsInfo = getObservationInfo (env);actInfo = getActionInfo (env);
演员和评论家网络随机初始化。确保修复种子再现性的随机发生器。
rng (0)
PPO代理使用参数化值函数作为一个评论家。在评论家,模型参数化的值函数使用递归神经网络。
层的网络定义为一个数组对象。创建一个递归神经网络,使用sequenceInputLayer作为输入层,包括至少一个lstmLayer。
criticNet = [sequenceInputLayer (prod (obsInfo.Dimension)) fullyConnectedLayer (8) reluLayer lstmLayer (8) fullyConnectedLayer (1)];
转换为一个dlnetwork对象和显示可学的参数的数量。
criticNet = dlnetwork (criticNet);总结(criticNet)
初始化:可学的真正的数字:593输入:1“sequenceinput”序列输入4维度
创建一个评论家使用criticNet并观测规范对象。有关更多信息,请参见rlValueFunction。
评论家= rlValueFunction (criticNet obsInfo);
检查评论家与随机观测输入。
getValue(评论家,{兰德(obsInfo.Dimension)})
ans =单0.0017
评论家有复发性网络以来,演员必须有复发性网络。层的网络定义为一个数组对象。
actorNet = [sequenceInputLayer (prod (obsInfo.Dimension)) fullyConnectedLayer (100) reluLayer lstmLayer (8) fullyConnectedLayer(元素个数(actInfo.Elements)) softmaxLayer);
网络转换为一个dlnetwork对象和显示可学的参数的数量。
actorNet = dlnetwork (actorNet);总结(actorNet)
初始化:可学的真正的数量:4 k输入:1“sequenceinput”序列输入4维度
创建一个演员使用actorNet和环境规范对象。有关更多信息,请参见rlDiscreteCategoricalActor。
演员= rlDiscreteCategoricalActor (actorNet obsInfo actInfo);
检查演员与一个随机观测输入。
getAction(演员,{兰德(obsInfo.Dimension)})
ans =1 x1单元阵列{[-10]}
设置一些培训选项的评论家。
criticOptions = rlOptimizerOptions (…LearnRate = 1飞行,…GradientThreshold = 1);
设置一些演员培训选项。
actorOptions = rlOptimizerOptions (…LearnRate = 1 e - 3,…GradientThreshold = 1);
创建代理的选择对象。
agentOptions = rlPPOAgentOptions (…AdvantageEstimateMethod =“finite-horizon”,…ClipFactor = 0.1,…CriticOptimizerOptions = criticOptions,…ActorOptimizerOptions = actorOptions);
当使用递归神经网络,MiniBatchSize属性是学习轨迹的长度。
agentOptions.MiniBatchSize
ans = 128
使用演员和评论家,创建代理以及代理的选择对象。
代理= rlPPOAgent(演员、评论家、agentOptions)
代理= rlPPOAgent属性:AgentOptions: [1 x1 rl.option。rlPPOAgentOptions] UseExplorationPolicy: 1 ObservationInfo: [1x1 rl.util.rlNumericSpec] ActionInfo: [1x1 rl.util.rlFiniteSetSpec] SampleTime: 1
检查你的代理和一个随机观察输入。
getAction(代理,兰德(obsInfo.Dimension))
ans =1 x1单元阵列{[-10]}
评估代理使用连续的观测,使用序列长度(时间)维度。例如,获得一系列的行动9观察。
(行动、州)= getAction(代理,…{兰德([obsInfo。尺寸1 9])});
显示相对应的行动第七元素的观察。
action ={1}行动;行动(1,1,1,7)
ans = -10
您现在可以测试和培训环境内的代理。
提示
连续操作空间,这个代理不强制约束,规范设定的动作。在这种情况下,您必须执行行动空间中约束环境。
而调整学习速率的演员PPO代理网络是必要的,没有必要为TRPO代理。
版本历史
介绍了R2019b
