女人自慰AV免费观看内涵网,日韩国产剧情在线观看网址,神马电影网特片网,最新一级电影欧美,在线观看亚洲欧美日韩,黄色视频在线播放免费观看,ABO涨奶期羡澄,第一导航fulione,美女主播操b

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

近年來DRL領域的發展脈絡梳理

安芯教育科技 ? 來源:博文視點Broadview ? 作者:魏寧 ? 2021-10-13 15:31 ? 次閱讀

在使用深度強化學習(Deep Reinforcement Learning,DRL)算法解決實際問題的過程中,明確任務需求并初步完成問題定義后,就可以為相關任務選擇合適的DRL算法了。

以DeepMind的里程碑工作AlphaGo為起點,每年各大頂級會議DRL方向的論文層出不窮,新的DRL算法如雨后春筍般不斷涌現,大有“亂花漸欲迷人眼”之勢。

然而,落地工作中的算法選擇并不等同于在這個急劇膨脹的“工具箱”中做大海撈針式的一對一匹配,而是需要根據任務自身的特點從DRL算法本源出發進行由淺入深、粗中有細的篩選和迭代。

在介紹具體方法之前,筆者先嘗試按照自己的理解梳理近年來DRL領域的發展脈絡。

1

DRL算法的發展脈絡

盡管DRL算法已經取得了長足進步,但筆者認為其尚未在理論層面取得質的突破,而只是在傳統強化學習理論基礎上引入深度神經網絡,并做了一系列適配和增量式改進工作。

總體上,DRL沿著Model-Based和Model-Free兩大分支發展。

前者利用已知環境模型或者對未知環境模型進行顯式建模,并與前向搜索(Look Ahead Search)和軌跡優化(Trajectory Optimization)等規劃算法結合達到提升數據效率的目的。

作為當前學術界的研究熱點,Model-Based DRL尚未在實踐中得到廣泛應用,這是由于現實任務的環境模型通常十分復雜,導致模型學習的難度很高,并且建模誤差也會對策略造成負面影響。

在筆者看來,任何Model-Free DRL算法都可以解構為“基本原理—探索方式—樣本管理—梯度計算”的四元核心組件。

其中按照基本原理,Model-Free DRL又存在兩種不同的劃分體系,即Value-Based和Policy-Based,以及Off-Policy和On-Policy。

如圖1所示,DQN、DDPG和A3C作為這兩種彼此交織的劃分體系下的經典算法框架,構成了DRL研究中的重要節點,后續提出的大部分新算法基本都是立足于這三種框架,針對其核心組件所進行的迭代優化或者拆分重組。

Off-Policy指算法中采樣策略與待優化策略不同;

On-Policy指采樣策略與待優化策略相同或差異很小;

Value-Based指算法直接學習狀態-動作組合的值估計,沒有獨立策略;

Policy-Based指算法具有獨立策略,同時具備獨立策略和值估計函數的算法又被稱為Actor-Critic算法。

關于上述Model-Free DRL算法的四元核心組件,其中:

基本原理層面依然進展緩慢,但卻是DRL算法將來大規模推廣的關鍵所在;

探索方式的改進使DRL算法更充分地探索環境,以及更好地平衡探索和利用,從而有機會學到更好的策略;

樣本管理的改進有助于提升DRL算法的樣本效率,從而加快收斂速度,提高算法實用性;

梯度計算的改進致力于使每一次梯度更新都更穩定、無偏和高效。

總體而言,DRL算法正朝著通用化和高效化的方向發展,期待未來會出現某種“超級算法”,能夠廣泛適用于各種類型的任務,并在絕大多數任務中具有壓倒式的性能優勢,同時具備優秀的樣本效率,從而使算法選擇不再是問題。

2

一篩、二比、三改良

從一個較粗的尺度上看,依據問題定義、動作空間類型、采樣成本和可用運算資源等因素的不同,的確存在一些關于不同類型DRL算法適用性方面的明確結論。

例如,Value-Based算法DQN及其變體一般只適用于離散動作空間;相反,采用確定性策略的Policy-Based算法DDPG及其變體只適合連續動作空間;而A3C和SAC等采用隨機策略的Policy-Based算法則支持離散和連續兩種動作空間;此外,隨機策略通常比確定性策略具有更好的訓練穩定性。

3314e7e0-22df-11ec-82a8-dac502259ad0.jpg

在MuJoCo-Humanoid控制任務中,分別采用隨機策略和確定性策略的兩種SAC算法變體在不同隨機種子下多次訓練的曲線顯示,隨機策略比確定性策略對隨機因素的影響更加魯棒,因此具有更好的訓練穩定性。

對于機器人等涉及硬件的應用,或者其他采樣成本較高的任務,能夠重復利用歷史數據的Off-Policy算法相比On-Policy算法更有優勢。

在多智能體強化學習任務中,多個交互的Agent互相構成對方環境的一部分,并隨著各自策略的迭代導致這些環境模型發生變化,從而導致基于這些模型構建的知識和技能失效,學術界將上述現象稱為環境不穩定性(Environment Nonstationarity)。

由于該問題的存在,除非Replay Buffer(經驗回放緩存)中的數據更新足夠快,否則重復使用歷史數據的Off-Policy算法反而可能引入偏差。

由于利用貝爾曼公式Bootstrap特性的值迭代方法是有偏的(Biased),On-Policy算法在訓練穩定性方面一般好于Off-Policy算法。

然而,為了盡可能獲取關于值函數的無偏估計,On-Policy算法往往需要利用多個環境并行采集足夠多的樣本,這就要求訓練平臺具有較多的CPU核,而Off-Policy算法則沒有這種要求,盡管后者也能夠從并行采樣中受益。

在完成“粗篩”之后,對于符合條件的不同DRL算法之間的取舍變得微妙起來。

一般而言,學術界提出的新算法,尤其是所謂SOTA(State of the Art,當前最佳)算法,性能通常優于舊算法。

但這種優劣關系在具體任務上并不絕對,目前尚不存在“贏者通吃”的DRL算法,因此需要根據實際表現從若干備選算法中找出性能最好的那個。

此外,只有部分經過精細定義的實際任務可以通過直接應用標準算法得到較好解決,而許多任務由于自身的復雜性和特殊性,需要針對標準算法的核心組件進行不同程度的優化后才能得到較為理想的結果,這一點可以在許多有代表性的DRL算法落地工作中找到蹤跡。

注意這里所說的優化未必是學術級創新,更多時候是基于對當前性能瓶頸成因的深入分析,在學術界現有的組件改良措施和思想中“對癥”選擇,是完全有跡可循的。

例如,為了改善DQN的探索,可以用噪聲網絡(Noisy Net)代替默認的3314e7e0-22df-11ec-82a8-dac502259ad0.jpg-greedy;為了提升其樣本效率,可以將常規經驗回放改為優先級經驗回放(Prioritized Experience Replay,PER);為了提高其訓練穩定性,可以在計算目標值時由單步Bootstrap改為多步Bootstrap等。

在《深度強化學習落地指南》一書的5.2節和5.3節中介紹具體的DRL算法時,會專門列出針對相關算法的可用組件優化措施供讀者參考。

3

從獨當一面到眾星捧月

需要強調的是,算法在學術研究和落地應用中與諸如動作空間、狀態空間、回報函數等強化學習核心要素的關系是不同的。

具體可以概括為:學術研究為了突出算法的優勢,其他要素只需要保持一致甚至被刻意弱化;落地應用為了充分發揮算法的性能,其他要素應該主動迎合算法需求以降低其學習難度。

可以說一邊是獨當一面,另一邊是眾星捧月,這種角色上的差異是由學術研究和落地應用各自不同的出發點決定的。

學術研究的目標是在普遍意義上解決或改善DRL算法存在的固有缺陷,如低樣本效率、對超參數敏感等問題,因此算法自身特質的優劣處于核心地位。

為了保證不同算法之間進行公平的比較,OpenAI Gym、Rllab等開放平臺為各種任務預設了固定的狀態空間、動作空間和回報函數,研究者通常只需要專心改進算法,而很少需要主動修改這些要素,即使修改也往往是為了刻意提升任務難度,從而突出算法在某些方面的優點,比如將回報函數變得更稀疏,簡化狀態空間設計使其只包含低效的原始信息等。

與學術研究不同,落地應用的目標是在特定任務上獲得最佳策略性能,而算法僅僅是實現該目標的眾多環節之一。

一方面,在學術研究中依靠算法改進做到的事情,在實際應用中可以通過狀態空間、動作空間和回報函數的協同優化達到相同甚至更好的效果。

另一方面,在學術研究中被認為應當盡量避免的超參數精細調節和各種難以標準化、透明化的訓練技巧,在落地應用中成為必要工作。

總之,落地應用中的策略性能優化是一項系統工程,需要“不擇手段”地充分調動包括算法在內的各種有利因素。

責任編輯:haq

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • AI
    AI
    +關注

    關注

    87

    文章

    34000

    瀏覽量

    275062
  • DRL
    DRL
    +關注

    關注

    0

    文章

    6

    瀏覽量

    13066

原文標題:技術分享 | 如何在AI工程實踐中選擇合適的算法?

文章出處:【微信號:Ithingedu,微信公眾號:安芯教育科技】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦
    熱點推薦

    LTC2500 DRL引腳工作異常是什么原因呢?

    在測試LTC2500的過程中,發現32位有延遲濾波數據輸出的指示引腳DRL輸出異常,而24位無延遲輸出的指示引腳busy正常輸出。測試的配置是:PRE引腳高電平,SDI引腳低電平(配置成ssinc
    發表于 04-24 06:42

    嵌入式去哪個城市好?

    的重鎮,近年來也在積極發展嵌入式技術。阿里巴巴等互聯網巨頭在這里扎根,推動了智能家居、物聯網等領域發展。杭州的嵌入式開發融合了大數據、云計算等前沿技術,為嵌入式開發人員提供了更多的機
    發表于 04-02 10:12

    砥礪創新 芯耀未來——武漢芯源半導體榮膺21ic電子網2024年度“創新驅動獎”

    加劇、技術壁壘高筑的挑戰,公司聚焦高性能、高可靠性芯片的自主研發,深耕MCU(微控制器)領域。 我們始終緊跟行業前沿趨勢,持續在芯片設計等核心領域投入。近年來,我們成功推出了一系列具有自主知識產權
    發表于 03-13 14:21

    LITESTAR 4D應用:室內植物照明模擬

    建模任務 近年來,照明行業各細分領域與社會大眾生產、生活愈發密切。作為照明細分領域中的“人類糧倉”,植物照明產業的發展,為世界各地民生建設賦予著強大的生命力。使用LITESTAR 4D
    發表于 02-25 08:53

    2024-2025年新車及供應商發展趨勢分析

    佐思汽研發布《2024-2025年中國乘用車新車及供應商特點趨勢分析報告》。報告梳理了2024-2025年新車及產業鏈主要發展脈絡和方向。
    的頭像 發表于 02-17 15:20 ?793次閱讀

    政策引領智能網聯汽車有序向好發展

    近年來,科技革命與產業變革風起云涌,電動化、智能化、網聯化已成汽車產業發展新潮。其中,智能網聯汽車更是全球車企創新發力的關鍵。
    的頭像 發表于 01-07 10:17 ?376次閱讀

    risc-v芯片在電機領域的應用展望

    RISC-V作為一種開源的指令集架構,近年來在芯片設計領域嶄露頭角,并逐漸在電機控制領域展現出其獨特優勢。隨著電機技術的不斷進步和應用需求的多樣化,RISC-V芯片有望為電機控制帶來更高效、更靈
    發表于 12-28 17:20

    一文解讀中國醫療領域物聯網行業的應用情況及發展趨勢

    近年來,醫療物聯網技術不斷發展壯大,已經成為醫療信息技術領域的一個重要分支。醫療領域物聯網,也被稱為IoMT(Internet of Medical Things),是物聯網在醫療場景
    的頭像 發表于 11-09 09:28 ?3527次閱讀

    特種電源發展走向淺析

    高電壓、大電流、高精度及高穩定度的輸出。根據全國特種電源學術交流會會議報告和論文反映出,近年來國內特種電源電路拓撲結構與仿真、關鍵器件、控制技術、系統設計和應用技術等多個方面均取得了巨大進步。電源控制
    發表于 11-05 18:03

    “中國芯”產業的十年歷程和國內集成電路區域發展研究(下篇)

    北國咨觀點上篇文章對2014年至2023年我國重點城市和區域集成電路產業發展情況進行梳理和分析。本篇文章通過對過去十年數據進行分析,總結近年來我國集成電路產業區域發展存在“東強西弱,南
    的頭像 發表于 10-30 08:08 ?1073次閱讀
    “中國芯”產業的十年歷程和國內集成電路區域<b class='flag-5'>發展</b>研究(下篇)

    無人機的發展十分火熱在哪些領域都有所應用

    無人機的發展確實十分火熱,并且在多個領域都得到了廣泛的應用。 一、無人機技術概述 無人機,即無人駕駛飛機,是一種利用無線電遙控設備和自備的程序控制裝置操縱的不載人飛機。近年來,隨著科技的飛速進步
    的頭像 發表于 10-22 18:14 ?2519次閱讀

    是德科技創新技術峰會深圳站即將來襲

    近年來,在AI技術創新與新質生產力政策的驅動下,眾多細分的技術領域蓬勃發展
    的頭像 發表于 10-12 11:45 ?836次閱讀

    紫光展銳分析5G廣播技術的發展脈絡

    本期,我們將一起了解關于5G廣播技術的發展脈絡,探究它如何提供“免流量刷視頻”等多元豐富的視聽服務。
    的頭像 發表于 08-26 09:24 ?844次閱讀
    紫光展銳分析5G廣播技術的<b class='flag-5'>發展</b><b class='flag-5'>脈絡</b>

    國產FPGA的發展前景是什么?

    、國產替代加速 政策支持:近年來,國家對半導體產業的支持力度不斷加大,為國產FPGA的發展提供了有力保障。政府補助、稅收優惠等政策措施促進了國產FPGA廠商的快速發展。 市場需求推動:在國際貿易環境
    發表于 07-29 17:04

    無線充電技術的基本原理和應用領域

    無線充電技術作為近年來快速發展的電力傳輸方式,其基本原理和應用范圍廣泛,為人們的生活帶來了極大的便利。以下將詳細闡述無線充電技術的基本原理、主要類型、技術優勢以及在不同領域的應用。
    的頭像 發表于 07-26 17:56 ?4778次閱讀