Preface

从AIC回来后，做了一些Policy Gradient的工作。主要是觉得RL是一个有意思的领域，而深度网络逼近对这个问题提供了良好的可预期的解决方案。本来想找些程序先做个参考，发现都是些打游戏场景；之前看textbook的时候，对Figure 17.1(Artificial Intelligence: A Modern Approach)的例子印象深刻，觉得是个良好的案例，于是用这个场景；另外，做的过程中开始转gluon，在这个例子上试了下，发现还挺顺手的，就把之前的symbol接口全改了。

Code

程序是github上的Task1

Policy Gradient

正式的说明自有大牛阐述，这里只是为了保持结构完整。RL的两种途径分别是_Value-Based_和_Policy-Based_，Policy的好处在于其简洁性，直接将state映射到action。

Works

而Ploicy Gradient，在做的过程中，给我一种和以前的label-data learning极为相似的感觉，相当于都是通过试错法来了解数据，只不过label-data的对应结构关系不同。所以，最开始时，对backward那部分的想法是，通过在最末接入一个_SoftmaxCrossEntropyLoss_，将选出来的_action_作为_label_，通过将_outgrad_作为_reward_的函数，控制优化的方向和幅度。最后的版本里面，Loss_被删除，直接用_sotmax_作激活函数得到_action_的概率分布，然后用具有one_hot型编码的_outgrad_进行_backward(这要感谢_gluon_的功能)。

另一个需要说明的是exploration-exploitation，之前在看一些非正式的介绍时，看到这一段，总会习惯性地认为需要采取类似于遗传算法的概率操作：设定一个阈值，确定是否放弃系统给出的_action_，如果放弃，再随机选一个_action_出来。将这两种想法结合起来，发现最后没有收敛到理想方向(第一个commit便是)。于是，在后面debug时，Loss_那部分就被砍掉了。但给我感觉，对系统影响最大的应该是_exploration-exploitation_那部分，后面查看Reinforcement Learning: An Introduction第13章，发现应该是进行采样（实际上，如果按照统计学习的惯性思维，也应该是使用采样的样本代替期望）。多亏16年夏天啃了会_PRML(不然什么叫sample都不知道 (⊙﹏⊙)b)，用了一个rejection sampling对_softmax_的输出进行采样:

import numpy as np
N=100
net_out = np.array([1,5,3,1])
net_out = 1.*net_out/net_out.sum()
hist=[]
for i in xrange(1000):
    act_list = np.random.randint(0, 4, (N,))
    prob_list = np.random.uniform(size=(N,))
    idx = list(net_out[act_list] > prob_list).index(True) #np.where(net_out[act_list] > prob_list)
    hist.append(act_list[idx])
h=np.histogram(hist, bins=4)[0]
print h*1./h.sum()

Jul-18,2018 最近要做一个负采样的迭代器，手写的采样太慢，扩充为多线程后问题依然严重。又查了下，发现早就有内建函数:1, 2

# method I
import numpy as np
numpy.random.choice(numpy.arange(1, 7), p=[0.1, 0.05, 0.05, 0.2, 0.4, 0.2])

# method II
from scipy.stats import rv_discrete
numbers = (1,2,3)
distribution = (1./6, 2./6, 3./6)
random_variable = rv_discrete(values=(numbers,distribution))
random_variable.rvs(size=10)

速度蹭蹭的！