Ниже приведен фрагмент кода, который, учитывая state, генерирует action из зависимого от состояния распределения (prob_policy). Затем веса графика обновляются в соответствии с потерями, которые в -1 раз превышают вероятность выбора этого действия. В следующем примере как среднее (mu), так и ковариация (sigma) MultivariateNormal обучаемы / изучены.

import numpy as np
import tensorflow as tf
import tensorflow_probability as tfp

# make the graph
state = tf.placeholder(tf.float32, (1, 2), name="state")
mu = tf.contrib.layers.fully_connected(
    inputs=state,
    num_outputs=2,
    biases_initializer=tf.ones_initializer)
sigma = tf.contrib.layers.fully_connected(
    inputs=state,
    num_outputs=2,
    biases_initializer=tf.ones_initializer)
sigma = tf.squeeze(sigma)
mu = tf.squeeze(mu)
prob_policy = tfp.distributions.MultivariateNormalDiag(loc=mu, scale_diag=sigma)
action = prob_policy.sample()
picked_action_prob = prob_policy.prob(action)
loss = -tf.log(picked_action_prob)
optimizer = tf.train.AdamOptimizer(learning_rate=0.01)
train_op = optimizer.minimize(loss)

# run the optimizer
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    state_input = np.expand_dims([0.,0.],0)
    _, action_loss = sess.run([train_op, loss], { state: state_input })
    print(action_loss)

Тем не менее, когда я заменяю эту строку

prob_policy = tfp.distributions.MultivariateNormalDiag(loc=mu, scale_diag=sigma)

Со следующей строкой (и закомментируйте строки, которые генерируют сигма-слой и сожмите его)

prob_policy = tfp.distributions.MultivariateNormalDiag(loc=mu, scale_diag=[1.,1.])

Я получаю следующую ошибку

ValueError: No gradients provided for any variable, check your graph for ops that do not support gradients, between variables ["<tf.Variable 'fully_connected/weights:0' shape=(2, 2) dtype=float32_ref>", "<tf.Variable 'fully_connected/biases:0' shape=(2,) dtype=float32_ref>"] and loss Tensor("Neg:0", shape=(), dtype=float32).

Я не понимаю, почему это происходит. Разве он по-прежнему не может принимать градиент по отношению к весам в слое mu? Почему создание ковариации константы распределения внезапно делает ее недифференцируемой?

Сведения о системе:

  • Тензор потока 1.13.1
  • Вероятность тензорного потока 0.6.0
  • Python 3.6.8
  • MacOS 10.13.6
0
cmoses 30 Май 2019 в 05:37

2 ответа

Лучший ответ

Существует проблема, вызванная некоторым кэшированием, которое мы делаем внутри MVNDiag (и других подклассов TransformedDistribution) для обратимости.

Если вы сделаете + 0 (как обходной путь) после вашего .sample (), градиент сработает.

Также я бы предложил использовать dist.log_prob(..) вместо tf.log(dist.prob(..)). Лучше цифры.

import numpy as np
import tensorflow as tf
import tensorflow_probability as tfp

# make the graph
state = tf.placeholder(tf.float32, (1, 2), name="state")
mu = tf.contrib.layers.fully_connected(
    inputs=state,
    num_outputs=2,
    biases_initializer=tf.ones_initializer)
sigma = tf.contrib.layers.fully_connected(
    inputs=state,
    num_outputs=2,
    biases_initializer=tf.ones_initializer)
sigma = tf.squeeze(sigma)
mu = tf.squeeze(mu)
prob_policy = tfp.distributions.MultivariateNormalDiag(loc=mu, scale_diag=[1.,1.])
action = prob_policy.sample() + 0
loss = -prob_policy.log_prob(action)
optimizer = tf.train.AdamOptimizer(learning_rate=0.01)
train_op = optimizer.minimize(loss)

# run the optimizer
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    state_input = np.expand_dims([0.,0.],0)
    _, action_loss = sess.run([train_op, loss], { state: state_input })
    print(action_loss)
1
Brian Patton 31 Май 2019 в 17:43

Я должен был изменить эту строку

action = prob_policy.sample()

К этой линии

action = tf.stop_gradient(prob_policy.sample())

Если у кого-то есть объяснение того, почему изучение весов ковариации делает весовые коэффициенты локально дифференцируемыми по отношению к потере, а если сделать ковариацию постоянной, то нет, и как это изменение линии влечет за собой это, я бы с удовольствием объяснил! Благодарность!

0
cmoses 30 Май 2019 в 22:56