offline RL | 读读 Decision Transformer

标签：Transformer return Decision attention go embedding RL offline DT

论文标题：Decision Transformer: Reinforcement Learning via Sequence Modeling，NeurIPS 2021，6 6 7 9 poster（怎么才 poster）。
pdf：https://arxiv.org/pdf/2106.01345.pdf
html：https://ar5iv.labs.arxiv.org/html/2106.01345
open review：https://openreview.net/forum?id=a7APmM4B9d
项目网站：https://sites.google.com/berkeley.edu/decision-transformer
GitHub：https://github.com/kzl/decision-transformer
相关博客：
- 知乎 | Transformer-based RL (1)：Decision Transformer （感觉写的非常好，认真且通俗易懂）
- 知乎 | 强化学习 Decision Transformer
- 知乎 |【论文阅读笔记】Decision Transformer

1 Transformer 是一种 seq2seq 建模方法
2 建模 RL 的 sequence
3 如何训练 DT
4 如何部署 DT policy / 如何 inference
5 技术细节
6 一些讨论

1 Transformer 是一种 seq2seq 建模方法

（著名的 GPT 的全称是 Generative Pre-trained Transformer）

学习 Transformer：

seq2seq 的输入输出：

在 nlp 领域貌似是 word embedding，然后再使用 word2vec 之类得到单词（？）

Attention 与 Transformer：

attention：
- key query value：key 用来提取关键信息、query 用来提取查询、value 用来提取值。它们具有矩阵形式，用 k q v 矩阵去乘输入的 vector，得到 k q v 的 vector。
- k q v 举例：希望投票选举，query - 评委的重要程度、key - 评委的职称（？）、value - 评委的投票结果，最后按照 (query × key^T) × value 的形式，对投票结果进行加权计算。 multi-head-attention 就是使用多组 k q v，可能表示我们希望关注多个方面。
encoder：
- 一个 encoder 块包含一个 attention + 一个 feed forward 层（大概就是全连接层）。
- 我们使用 k q v 的 attention 模块，一下对所有 token 的矩阵（维度 num of tokens × embedding size）得到一个 latent z（维度 num of tokens × latent size）。
- 然后对于每个原句子中的 token，各过各的全连接层（feed forward）（？）最后得到一个维度 num of tokens × embedding size 的矩阵。
- 残差连接（Res）：将输入和多头注意力层或全连接神经网络的输出相加，再传递给下一层，避免梯度递减的问题。
decoder：
- 一个 decoder 块包含两个 attention + 一个 feed forward 层。
- attention 1 用来处理自己输出的信息，因此它在说第 n 个单词之前，只能以自己说出的前 n-1 个单词作为输入，使用一个掩码（？）来实现：掩码多头自注意力（Masked-Multi-head self attention）。
- attention 2 用来处理 encoder 给出的 num of tokens × embedding size 的 embedding，attention 1 的输出也是其输入的一部分。
这样，看图应该就能看懂了。

2 建模 RL 的 sequence

我们的 sequence：{return-to-go, state, action, return-to-go, ...}

形式类似于 \(\{s_t,a_t,r_t,s_{t+1},\cdots\}\) 。
return-to-go： \(\hat R_t=\sum_{t'=t}^Tr_{t'}\) ，是从此刻 t 到 episode 结束的，in-discounted reward 的加和。
感觉 return-to-go 类似于 HER 的预期目标，比较 hindsight。

3 如何训练 DT

对 sequence {s, a, R, s, a, R, ...} 进行处理：

对每个 modality（s a R），都学习了将它们转换为 embedding 的线性层。
对于具有视觉输入的环境，状态被输入到卷积编码器而不是线性层中。
此外，每个时间步的 embedding 都会被学习并添加到每个 token 中 —— 这与 transformer 使用的 positional embedding（三角函数？）不同，因为一个时间步对应于三个 token。

（搬图，搬运文字说明）

一条轨迹按照 s a R 顺序排列好后，每个元素都是图 1 下部的一个小圆圈，类似于 NLP 中的一个个单词。
然后，每个元素经过一个 mlp 做 embedding 后，再加上 position encoding，就得到了 tokens，也就是图 1 下部的一个个五颜六色的小长方块。

训练：

使用 offline trajectory 的 dataset（D4RL 之类）。
从离线轨迹数据集中，抽取 sequence 长度为 K 的 minibatch。
训练：对 input token \(s_t\) 的那个 prediction head，再加一个 mlp 来预测 \(a_t\) （上图上部输出 \(a_t\) 的橙色方块）。
- 训 action 时，对离散动作使用 cross-entropy loss，连续则使用 MSE。
- DT 每隔三个 token 才 decode 一个，因为作为 policy 只需要输出 action。但其实，output tokens 由对应 return-to-go、state、action 的 token 组成，所以自然只留下对应 action 的 tokens（？）
- 发现，去预测 state 或 return-to-go 并不能提高性能，尽管在 DT 框架里，很容易这么做。
上述训练部分是想让 DT 学会，在某个特定状态 s 下，达到 return-to-go R，所需要做的动作 a。
详见 Algorithm 1 伪代码，感觉写的很清楚。

4 如何部署 DT policy / 如何 inference

inference 过程就是，首先提出一个 target return（我们希望 agent 在一个 episode 里能达到的 return），作为初始的 return-to-go，然后 DT 按照训练过程中学到的如何达成 return-to-go 的方法，选择 action。
每走一步，就将上一步的 return-to-go 减去这一步的 reward，得到下一个 return-to-go，从而不断地更新我们期望 DT 达到的 return 目标，同时 DT 根据我们的目标，不断选择 action。
详见 Algorithm 1 伪代码。
evaluate 时，只保留 length = K 的 context，对应于前面训练时 sequence length = K。
- 通常认为，当使用 frame stacking（Atari 的帧堆叠）时，K = 1 已经 MDP，足以用于 RL 算法。然而，当 K = 1 时，Decision Transformer 的性能明显更差，这表明过去的信息对 Atari 游戏有用（非 MDP？）。（具体实验中，Atari 的 K = 30 50，MuJoco 的 K = 5 20）
- 一个假设是，当我们表示一些策略的分布时（例如序列建模），上下文允许 transformer 识别，哪个策略生成了该动作，从而实现更好的学习和 / 或改进训练动态。

5 技术细节

训练的一些超参数，encoder / decoder：可参见 Table 8 9。
在 inference 过程中，如何选择 return-to-go：使用 dataset 中最大 return 的一倍或 5 倍。
Warmup tokens 为 512 ∗ 20，是 <begin> <end> 这种 token 嘛？

6 一些讨论

（Section 5.7）DT 为什么不需要 pessimistic value 或行为正则化？作者猜想：pessimistic value 和行为正则化是为了避免 value function approximation 带来的问题，但 DT 并不需要显式优化一个函数（？）
（Section 5.8）声称 DT + Go-Explore（RL exploration 方法，感觉像打表）可以帮助 online policy。
Credit assignment 貌似是一类工作，通过分解 reward function，使得某些“重要”状态包含了大部分 credit。

标签：Transformer,return,Decision,attention,go,embedding,RL,offline,DT
From： https://www.cnblogs.com/moonout/p/18037872