为什么keras-rl的例子总是在输出层选择线性激活？

Question

我是强化学习的新手。我对 keras-rl 代理的输出层激活函数的选择有疑问。在keras-rl (https://github.com/matthiasplappert/keras-rl/tree/master/examples)提供的所有例子中，输出层选择线性激活函数。为什么是这样？如果我使用不同的激活函数，我们会期待什么效果？例如，如果我使用离散动作 space 为 5 的 OpenAI 环境，我是否还应该考虑在代理的输出层中使用 softmax？非常感谢。

Answer 1

对于 keras-rl 中的某些代理，使用了 linear 激活函数，即使代理使用离散的动作空间（例如，dqn、ddqn）也是如此。但是，例如，CEM 使用 softmax 离散动作空间的激活函数（这是人们所期望的）。

dqn和ddqn的linear激活函数背后的原因是它的探索策略，它是代理的一部分。如果我们将用于两者的探索策略 class 作为示例和方法 select_action，我们将看到以下内容：

class BoltzmannQPolicy(Policy):
def __init__(self, tau=1., clip=(-500., 500.)):
    super(BoltzmannQPolicy, self).__init__()
    self.tau = tau
    self.clip = clip

def select_action(self, q_values):
    assert q_values.ndim == 1
    q_values = q_values.astype('float64')
    nb_actions = q_values.shape[0]

    exp_values = np.exp(np.clip(q_values / self.tau, self.clip[0], self.clip[1]))
    probs = exp_values / np.sum(exp_values)
    action = np.random.choice(range(nb_actions), p=probs)
    return action

在每个动作的决策过程中，最后dense层的linear激活函数的输出根据玻尔兹曼探索策略变换到范围[0,1]，决策对一个特定的动作是根据玻尔兹曼探索做出的。这就是 softmax 未在输出层中使用的原因。

您可以在此处详细了解不同的探索策略及其比较： https://medium.com/emergent-future/simple-reinforcement-learning-with-tensorflow-part-7-action-selection-strategies-for-exploration-d3a97b7cceaf

为什么keras-rl的例子总是在输出层选择线性激活？

why do keras-rl examples always choose linear activation in the output layer?

reinforcement-learning

keras

openai-gym