Chapter1 Discussion

[PaParaZz1]

本 issue 将会追踪和记录各种有关课程第一讲的问题和延伸思考，欢迎有兴趣的同学在这个 issue 中评论，课程组会定期整理信息

最新的 QA 合集文档（2022.12.22更新）

[hccngu]

def pg_error(data: namedtuple) -> namedtuple:
"""
概述:
策略梯度（Policy Gradient，PG）算法的 PyTorch 实现。
"""
# 对数据 data 进行解包: $$<\pi(a|s), a, G_t>$$
logit, action, return_ = data
# 根据 logit 构建策略分布，然后得到对应动作的概率的对数值。
dist = torch.distributions.categorical.Categorical(logits=logit)
log_prob = dist.log_prob(action)
# 策略损失函数: $$- \frac 1 N \sum_{n=1}^{N} log(\pi(a^n|s^n)) G_t^n$$
policy_loss = -(log_prob * return_).mean()
# 熵奖赏（bonus）损失函数：$$\frac 1 N \sum_{n=1}^{N} \sum_{a^n}\pi(a^n|s^n) log(\pi(a^n|s^n))$$
# 注意：最终的损失是 policy_loss - entropy_weight * entropy_loss .
entropy_loss = dist.entropy().mean()
# 返回最终的各项损失函数：包含策略损失和熵损失。
return pg_loss(policy_loss, entropy_loss)

delimiter

def test_pg():
"""
概述:
策略梯度算法的测试函数，包括前向和反向传播测试。
"""
# 设置相关参数：batch size=4, action=32
B, N = 4, 32
# 从随机分布中生成测试数据：logit, action, return_.
logit = torch.randn(B, N).requires_grad_(True)
action = torch.randint(0, N, size=(B, ))
return_ = torch.randn(B) * 2
# 计算 PG error。
data = pg_data(logit, action, return_)
loss = pg_error(data)
# 测试 loss 是否是可微分的，是否能正确产生梯度
assert all([l.shape == tuple() for l in loss])
assert logit.grad is None
total_loss = sum(loss)
total_loss.backward()
assert isinstance(logit.grad, torch.Tensor)
上面是chapter1_overview /pg_zh.py文件中的内容，请问由于total_loss = sum(loss)，所以entropy_loss = dist.entropy().mean()是否应该是entropy_loss = -dist.entropy().mean()【就是少了一个负号】？

[PaParaZz1]

def pg_error(data: namedtuple) -> namedtuple: """ 概述: 策略梯度（Policy Gradient，PG）算法的 PyTorch 实现。 """ # 对数据 data 进行解包: <π(a|s),a,Gt> logit, action, return_ = data # 根据 logit 构建策略分布，然后得到对应动作的概率的对数值。 dist = torch.distributions.categorical.Categorical(logits=logit) log_prob = dist.log_prob(action) # 策略损失函数: −1N∑n=1Nlog(π(an|sn))Gtn policy_loss = -(log_prob * return_).mean() # 熵奖赏（bonus）损失函数：$$\frac 1 N \sum_{n=1}^{N} \sum_{a^n}\pi(a^n|s^n) log(\pi(a^n|s^n))$$ # 注意：最终的损失是 policy_loss - entropy_weight * entropy_loss . entropy_loss = dist.entropy().mean() # 返回最终的各项损失函数：包含策略损失和熵损失。 return pg_loss(policy_loss, entropy_loss)

delimiter

def test_pg(): """ 概述: 策略梯度算法的测试函数，包括前向和反向传播测试。 """ # 设置相关参数：batch size=4, action=32 B, N = 4, 32 # 从随机分布中生成测试数据：logit, action, return_. logit = torch.randn(B, N).requires_grad_(True) action = torch.randint(0, N, size=(B, )) return_ = torch.randn(B) * 2 # 计算 PG error。 data = pg_data(logit, action, return_) loss = pg_error(data) # 测试 loss 是否是可微分的，是否能正确产生梯度 assert all([l.shape == tuple() for l in loss]) assert logit.grad is None total_loss = sum(loss) total_loss.backward() assert isinstance(logit.grad, torch.Tensor) 上面是chapter1_overview /pg_zh.py文件中的内容，请问由于total_loss = sum(loss)，所以entropy_loss = dist.entropy().mean()是否应该是entropy_loss = -dist.entropy().mean()【就是少了一个负号】？

这里只是计算各项损失函数，最终在把多项 loss 组合到一起的时候，会有这个符号，具体的代码段可以参考链接