资源 | 价值迭代网络的PyTorch实现与Visdom可视化

Posted 2021-05-02 机器之心

选自GitHub

机器之心编译

参与：吴攀

《价值迭代网络（Value Iteration Networks）》是第 30 届神经信息处理系统大会（NIPS 2016）的最佳论文奖（Best Paper Award）获奖论文，机器之心曾在该论文获奖后第一时间采访了该论文作者之一吴翼（Yi Wu），参见《》。吴翼在该文章中介绍说：

VIN 的目的主要是解决深度强化学习泛化能力较弱的问题。传统的深度强化学习（比如 deep Q-learning）目标一般是采用神经网络学习一个从状态（state）到决策（action）的直接映射。神经网络往往会记忆一些训练集中出现的场景。所以，即使模型在训练时表现很好，一旦我们换了一个与之前训练时完全不同的场景，传统深度强化学习方法就会表现的比较差。在 VIN 中，我们提出，不光需要利用神经网络学习一个从状态到决策的直接映射，还要让网络学会如何在当前环境下做长远的规划（learn to plan），并利用长远的规划辅助神经网络做出更好的决策。

该研究得到了广泛的关注，在原来 Theano 实现之外也出现了 TensorFlow 等其它版本的实现。近日，GitHub 用户 Xingdong Zuo 又公开发布了一个 PyTorch 的版本和另一个 TensorFlow 版本，机器之心在本文中对前者进行了介绍。

• PyTorch 版本：https://github.com/zuoxingdong/VIN_PyTorch_Visdom

• TensorFlow 版本：https://github.com/zuoxingdong/VIN_TensorFlow

• 原作者的 Theano 实现：https://github.com/avivt/VIN

• TensorFlow 实现：

       https://github.com/TheAbhiKumar/tensorflow-value-iteration-networks

关键想法

• 一个完全可微分的神经网络，带有一个「规划（planning）」子模块

• 价值迭代 = 卷积层+面向信道的最大池化（Value Iteration = Conv Layer + Channel-wise Max Pooling）

• 用于新的未见过的任务时，能比反应策略更好地泛化

学习到的奖励图像（Reward Image）和其每次 VI 迭代时的价值图像（Value Images，访问原项目查看动图）

依赖包

该项目需要以下软件包：

• Python >= 3.6

• Numpy >= 1.12.1

• PyTorch >= 0.1.10

• SciPy >= 0.19.0

• Visdom >= 0.1

数据集

每一个数据样本都由网格世界中当前状态的 (x, y) 坐标构成，后面跟着一张障碍图像（obstacle image）和一张目标图像（goal image）。

运行试验：训练

网格世界 8×8

python run.py --datafile data/gridworld_8x8.npz --imsize 8 --lr 0.005 --epochs 30 --k 10 --batch_size 128

网格世界 16×16

python run.py --datafile data/gridworld_16x16.npz --imsize 16 --lr 0.008 --epochs 30 --k 20 --batch_size 128

网格世界 28×28

python run.py --datafile data/gridworld_28x28.npz --imsize 28 --lr 0.003 --epochs 30 --k 36 --batch_size 128

说明：

• datafile：数据文件的路径

• imsize：输入图像的尺寸，从 [8, 16, 28] 中选择

• lr：使用 RMSProp 优化器的学习率，推荐 [0.01, 0.005, 0.002, 0.001]

• epochs：训练的 epoch 数量，默认：30

• k：价值迭代（Value Iterations）的数量，推荐 [10 for 8x8, 20 for 16x16, 36 for 28x28]

• ch_i：输入层中信道（channel）的数量，默认：2，即障碍图像和目标图像

• ch_h：第一层卷积层中信道的数量，默认：50，论文中有描述

• ch_q：VI 模块中 q 层（~actions）中的信道数量，默认：10，论文中有描述

• batch_size：批大小，默认：128

使用 Visdom 进行可视化

• 机器之心介绍 Visdom 的文章：

我们将使用 Visdom 来为每次 VI 迭代可视化学习到的奖励图像（reward image）及其对应的价值图像（value image）。

首先启动服务器

python -m visdom.server

在浏览器中打开 Visdom：http://localhost:8097

然后运行以下代码来可视化学习的奖励和价值图像：

python vis.py --datafile learned_rewards_values_28x28.npz

注：如果你想自己产生价值图像的 GIF 动画，可使用下面的命令：

convert -delay 20 -loop 0 *.png value_function.gif

基准

GPU：Titan X

表现：测试精度

注意：这是在测试集上的精度。不同于论文中的表格，其表示了在环境中学习到的策略的 rollout 的成功率。

使用 GPU 的速度

常见问题

问：如何从观察（observation）中获得奖励图像？

答：观察图像有 2 个信道。第一个信道是障碍图像（0：无障碍，1：障碍）。第二个信道是目标图像（0：无目标，10：目标）。比如说，在 8×8 的网格世界中，批大小为 128 的输入张量的形状是 [128, 2, 8, 8]。然后其被馈送到一个带有 [3,3] 滤波器和 150 个特征图卷积层，之后又是另一个带有 [3,3] 滤波器和 1 个特征图的卷积层。输出张量的形状是 [128, 1, 8, 8]。这就是奖励图像。

问：过渡模型（transition model）到底是什么？怎么通过 VI 模块从奖励图像中获取价值图像？

答：让我们假设在 8×8 的网格世界中，批大小为 128。一旦我们获得了形状为 [128, 1, 8, 8] 的奖励图像，那么我们就可以为 VI 模块中的 q 层做卷积层。[3,3] 滤波器表示其过渡概率。存在一个有 10 个滤波器的集合，其中每一个都是为了在 q 层中生成一个特征图。每一个特征图对应于一个「action」。注意这比真实可用的动作（只有 8）大一些。然后我们做一个面向信道的最大池化，以获得形状为 [128, 1, 8, 8] 的价值图像。最后我们将这个价值图像和奖励图像堆叠在一起，以进行新一次的 VI 迭代。 

✄------------------------------------------------

加入机器之心（全职记者/实习生）：[e-mail]

投稿或寻求报道：[e-mail]

广告&商务合作：[e-mail]