梯度如何通过随机样本反向传播？

Question

我正在学习策略梯度，但我很难理解梯度是如何通过随机操作的。来自 here：It is not possible to directly backpropagate through random samples. However, there are two main methods for creating surrogate functions that can be backpropagated through.

他们有一个例子 score function:

probs = policy_network(state)
# Note that this is equivalent to what used to be called multinomial
m = Categorical(probs)
action = m.sample()
next_state, reward = env.step(action)
loss = -m.log_prob(action) * reward
loss.backward()

我试图创建一个示例：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.distributions import Normal
import matplotlib.pyplot as plt
from tqdm import tqdm

softplus = torch.nn.Softplus()

class Model_RL(nn.Module):
    def __init__(self):
        super(Model_RL, self).__init__()
        self.fc1 = nn.Linear(1, 20)
        self.fc2 = nn.Linear(20, 30)
        self.fc3 = nn.Linear(30, 2)

    def forward(self, x):
        x1 = self.fc1(x)
        x = torch.relu(x1)
        x2 = self.fc2(x)
        x = torch.relu(x2)
        x3 = softplus(self.fc3(x))
        return x3, x2, x1

# basic 

net_RL = Model_RL()

features = torch.tensor([1.0]) 
x = torch.tensor([1.0]) 
y = torch.tensor(3.0)

baseline = 0
baseline_lr = 0.1

epochs = 3

opt_RL = optim.Adam(net_RL.parameters(), lr=1e-3)
losses = []
xs = []
for _ in tqdm(range(epochs)):
    out_RL = net_RL(x)
    mu, std = out_RL[0]
    dist = Normal(mu, std)
    print(dist)
    a = dist.sample()
    log_p = dist.log_prob(a)
    
    out = features * a
    reward = -torch.square((y - out))
    baseline = (1-baseline_lr)*baseline + baseline_lr*reward
    
    loss = -(reward-baseline)*log_p

    opt_RL.zero_grad()
    loss.backward()
    opt_RL.step()
    losses.append(loss.item())

这似乎神奇地工作得很好，我不明白梯度是如何通过的，因为他们提到它不能通过随机操作（但不知何故它确实如此）。

现在由于梯度无法通过随机操作流动我尝试替换 mu, std = out_RL[0] 与 mu, std = out_RL[0].detach() 并导致错误： RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn。如果梯度不通过随机操作，我不明白为什么在操作之前分离张量很重要。

Answer 1

采样确实不是可微分的操作本身。但是，有两种（广泛的）方法可以缓解这种情况 - [1] REINFORCE 方法和 [2] reparameterization 方法。由于您的示例与 [1] 相关，因此我将回答 REINFORCE。

REINFORCE 所做的是完全摆脱计算图中的采样操作。但是，采样操作仍然在图形之外。所以，你的声明

.. how does the gradient passes through a random operation ..

不正确。它不通过任何随机操作。让我们看看你的例子

mu, std = out_RL[0]
dist = Normal(mu, std)
a = dist.sample()
log_p = dist.log_prob(a)

a的计算不涉及创建计算图。它在技术上等同于从数据集中插入一些离线数据（如在监督学习中）

mu, std = out_RL[0]
dist = Normal(mu, std)
# a = dist.sample()
a = torch.tensor([1.23, 4.01, -1.2, ...], device='cuda')
log_p = dist.log_prob(a)

因为我们事先没有离线数据，所以我们即时创建它们，而.sample()方法只做这些。

所以，图上没有随机操作。 log_p 确定性地依赖于 mu 和 std，就像任何标准计算图一样。如果你这样切断连接

mu, std = out_RL[0].detach()

..当然要投诉了

还有，不要被这个操作搞糊涂了

dist = Normal(mu, std)
log_p = dist.log_prob(a)

因为它本身不包含任何随机性。这只是为 Normal 分发编写乏味的 log-likelihood formula 的捷径。

Answer 2

@ayandas 很好地解释了第一种方式。

第二种方法，重新参数化方法，完全不同。

与 sample() 相比，使用 rsample() returns 样本的重新参数化维持计算图。

这是通过添加一个随机值（但保持模型的参数）来完成的。

用简单的代码检查this explanation。

梯度如何通过随机样本反向传播？

How does a gradient backpropagates through random samples?

python

reinforcement-learning

backpropagation

pytorch