深度强化学习实验室
论坛：http://deeprlhub.com/
来源：https://zhuanlan.zhihu.com/p/98506549
作者： 风清云
很多论文的工作都专注于减少policy gradient的方差，以得到更加优质且稳定的policy。其中一项最经典的工作就是对policy gradient的累积奖励减去一个baseline，但为什么减去一个baseline就可以达到减小方差，同时又不引入偏差的效果呢？
关于这个问题，Daniel Seita大佬在他的博客中有详细的讲解（链接给在最后），但笔者水平不够，仍然有部分未看明白的地方，强作此文说说自己的理解，希望有大佬看到并给出指导。
在强化学习的policy gradient中，通常会通过环境仿真出一系列的trajectories，以起到类似于对某种概率分布进行采样的作用，某个以时刻T为结束时刻的trajectory可以约定如下：
其中 分别代表状态，动作和奖励。接下来，本文将按照简单的结论->证明->结论的结构来探讨减小方差这个问题。
对policy gradient的表达式中的累积奖励项减去一个baseline项，可以起到减小policy gradient的方差且同时不引入偏差的效果。如下式：
在实际工作中，通常把baseline取为状态 的状态-值函数，即 。
首先需要写明两个技巧：
（1）log-derivative
此技巧是介绍如何将对数塞入对某个函数发f(x)的期望的梯度中去的。过程如下
这个过程看起来似乎十分简单直接，相当于乘了一项 ，再把分母移动到微分项下 面，利用简单的复合函数求导:
就在积分里增加了对数项，最后根据期望的定义得到了最终的表达式。
但这里是有一个疑问的，那就是在第二个等式中，直接把微分号放入了积分号里面，这种直接交换微分和积分次序的变换应满足什么条件才成立？在这里是否成立？，笔者不甚理解，希望理解的朋友给予指导。
其中 表示初始状态的概率分布, 表示policy, 表示状态转移概 率。第一个等式是根据乘法原理，把生成trajectory 的概率 拆开写成了在已知初始状态概率分 布 的情况下，所有时刻的policy和状态转移概率的乘积 ; 注意这里默认假设了时刻 所采取 的动作 仅依赖于状态 ，状态 也仅依赖于前一时刻的状态 和动作 (一阶马尔科 夫性）。
第二个等式就是简单的取对数运算。
第三个等式就是关于参数 的求微分运算，因为与参数 有关的项仅有 , 因此其他项对 参数 的导数为0。
接下来，应用这两个技巧看看期望奖励关于参数的导数，即policy gradient的表达式。
这里第一个等式即期望的定义式；
第二个等式即log-derivative技巧；
第三个等式即对trajectory \tau的对率求导的技巧；
第四个等式即写回期望。
在正式引入baseline之前，还需要对上式做一些变换：
等式 (i) 是简单的替换 , 这里令折扣因子 ; 等式 (ii) 是个难点。首先定义这个新冒出来的符号 , 这个代表以时刻 为最终时刻的
上式成立是因为在时刻 , trajectory就已经结束，因此后续的状态和奖励的取值对 并无影 响, 从而期望相等。等式 (i) 想要得到等式 (ii)，关键在于以下等式的成立:
这个等式的左边仍然是policy gradient的定义，右边却变成了以不同的时刻 为最终时刻的trajectories的奖励 的求和运算。为什么这个等式成立呢? 这里说说我的理解，不一定正确。直观上来看，等式右边就是的期望内容 是把以下trajectories的最后一个奖励求和了：
如果考虑对以时刻 为终止时刻的某一个trajectory求期望累积奖励的话，那么必然需要对时刻0 到时刻 的所有状态 和 的可能取值进行遍历 (因为积分)，并将所有时刻的奖励取关 于概率 的加权和; 同样地，也可以考虑以不同时刻 的多条trajectories, 遍历时刻0到时刻 的所有时刻，并分开将每一条 trajectory的最后时刻的 累加起来。公式表达如下:
理解了这一步转换，就可以开始下一步推导了。
第一个等式上面已经说明；
第二个等式，Daniel Seita的博客里提到了“Assume we can exchange the sum with the gradient,”也就是说，假设求和符号和微分符号位置可以互换，笔者不太明白为啥可以这样假设，但还是先假设下去吧。
第三个等式，这里就很直观了。再使用前面的两个技巧，就把微分符号变换进去咯；
第四个等式，这里需要注意，期望的下标已经发生变化了，相当于把trajectories变回了one trajectory，这里前面已有说明。
等式 (ii) 到这里就扯完了。现在来看等式 (iii) 。等式 (iii) 是个简单的将等式 (ii) 加和项进行 重组。把等式 (ii) 单项都拆开写，以符号 替换 可以得到:
将上面这个形似下三角的累加项逐列累加，则每一列的累加结果为：, 再把每一列的 结果累加起来，就得到了等式 (iii) 的结果啦。
扯了这么多。终于可以开始减去baseline项了。基于上面最后一个等式给出的结果，对累加的期望减去baseline可以得到：
首先看引入了baseline以后，为什么不会引入偏差：
根据期望的线性性质，直接看baseline的期望：
第一个等式是简单的split，即把序列trajectory 拆分成两个互不交叠的部分，这个split成立的本 质还是积分/求和具有线性性质，这两部分的变量不一样当然可以写成这样; 第二个等式值得注意：这里的baseline 仅仅是关于状态 的函数，和后续的状态以及动 作无关。这和 是不一样的, 因为 是后续状态累积奖励的期望。所以此处可以把 作为常量提出; 第三个等式又是个难点。展开过程如下:
【1】Going Deeper Into Reinforcement Learning: Fundamentals of Policy Gradients
【2】Notes on Exact Inference in Graphical Models
本文来源自知乎博客：作者风清云
https://zhuanlan.zhihu.com/p/98506549
完
总结3: 《强化学习导论》代码/习题答案大全
总结6: 万字总结 || 强化学习之路
完
第119篇： 29页中文材料详述模仿学习完整过程
第118篇：【总结】170道强化学习面试题目汇总
第117篇：【Mava】一个分布式MARL研究框架
第116篇：CORL: 基于变量序和RL的因果发现算法
第115篇：人工强化学习未来的发展方向
第114篇：使用新的物理模拟引擎加速强化学习
第113篇：如何降低深度强化学习研究的计算成本
第112篇：基于Novelty-Pursuit的高效探索方法
第111篇：Reward is enough奖励机制。
第110篇：163篇ICML2021强化学习领域论文汇总
第109篇：【Easy-RL】200页强化学习总结笔记
第108篇：清华大学李升波老师《强化学习与控制》
第107篇：阿里巴巴2022届强化学习实习生招聘
第106篇：奖励机制不合理：内卷，如何解决？
第105篇：FinRL: 一个量化金融自动交易RL库
第104篇：RPG: 通过奖励发现多智能体多样性策略
第103篇：解决MAPPO（Multi-Agent PPO）技巧
第102篇：82篇AAAI2021强化学习论文接收列表
第101篇：OpenAI科学家提出全新强化学习算法
第100篇：Alchemy: 元强化学习(meta-RL)基准环境
第98篇：全面总结(值函数与优势函数)的估计方法
第97篇：MuZero算法过程详细解读
第96篇: 值分布强化学习（Distributional RL）总结
第95篇：如何提高"强化学习算法模型"的泛化能力?
第94篇：多智能体强化学习《星际争霸II》研究
第93篇：MuZero在Atari基准上取得了新SOTA效果
第91篇：详解用TD3算法通关BipedalWalker环境
第88篇：分层强化学习(HRL)全面总结
第85篇：279页总结"基于模型的强化学习方法"
第84篇：阿里强化学习领域研究助理/实习生招聘
第83篇：180篇NIPS2020顶会强化学习论文
第81篇：《综述》多智能体强化学习算法理论研究
第80篇：强化学习《奖励函数设计》详细解读
第79篇: 诺亚方舟开源高性能强化学习库“刑天”
第77篇：深度强化学习工程师/研究员面试指南
第75篇：Distributional Soft Actor-Critic算法
第74篇：【中文公益公开课】RLChina2020
第73篇：Tensorflow2.0实现29种深度强化学习算法
第72篇：【万字长文】解决强化学习"稀疏奖励"
第71篇：【公开课】高级强化学习专题
第70篇：DeepMind发布"离线强化学习基准“
第66篇：分布式强化学习框架Acme，并行性加强
第65篇：DQN系列(3): 优先级经验回放(PER)
第64篇：UC Berkeley开源RAD来改进强化学习算法
第61篇：David Sliver 亲自讲解AlphaGo、Zero
第59篇：Agent57在所有经典Atari 游戏中吊打人类
第58篇：清华开源「天授」强化学习平台
第57篇：Google发布"强化学习"框架"SEED RL"
第53篇：TRPO/PPO提出者John Schulman谈科研
第52篇：《强化学习》可复现性和稳健性，如何解决？
第51篇：强化学习和最优控制的《十个关键点》
第50篇：微软全球深度强化学习开源项目开放申请
第49篇：DeepMind发布强化学习库 RLax
第48篇：AlphaStar过程详解笔记
第47篇：Exploration-Exploitation难题解决方法
第45篇：DQN系列(1): Double Q-learning
第44篇：科研界最全工具汇总
第42篇：深度强化学习入门到精通资料综述
第41篇：顶会征稿 || ICAPS2020: DeepRL
第40篇：实习生招聘 || 华为诺亚方舟实验室
第39篇：滴滴实习生|| 深度强化学习方向
第37篇：Call For Papers# IJCNN2020-DeepRL
第36篇：复现"深度强化学习"论文的经验之谈
第35篇：α-Rank算法之DeepMind及Huawei改进
第34篇：从Paper到Coding, DRL挑战34类游戏
第31篇：强化学习，路在何方？
第30篇：强化学习的三种范例
第29篇：框架ES-MAML：进化策略的元学习方法
第28篇：138页“策略优化”PPT--Pieter Abbeel
第27篇：迁移学习在强化学习中的应用及最新进展
第26篇：深入理解Hindsight Experience Replay
第25篇：10项【深度强化学习】赛事汇总
第24篇：DRL实验中到底需要多少个随机种子？
第23篇：142页"ICML会议"强化学习笔记
第22篇：通过深度强化学习实现通用量子控制
第21篇：《深度强化学习》面试题汇总
第20篇：《深度强化学习》招聘汇总(13家企业）
第19篇：解决反馈稀疏问题之HER原理与代码实现
第17篇：AI Paper | 几个实用工具推荐
第16篇：AI领域：如何做优秀研究并写高水平论文？
第15篇：DeepMind开源三大新框架！
第13篇：OpenSpiel(28种DRL环境+24种DRL算法)
第11篇：DRL在Unity自行车环境中配置与实践
第8篇：ReinforceJS库（动态展示DP、TD、DQN）
第5篇：深度强化学习在阿里巴巴的技术演进
第4篇：深度强化学习十大原则
第2篇：深度强化学习的加速方法
第1篇：深入浅出解读"多巴胺（Dopamine）论文"、环境配置和实例分析
