A2C CONTINUA PER PENDULUM-V0 Implementazione di lavoro, negazione per perdita e calcolo dell'entropia

Question

Ottima implementazione di A2C Continuous per Pendulum-V0

Il codice ha un snippet per interrompere l'esecuzione quando la media degli ultimi 10 o 20 è superiore a -20 ma i risultati sembrano:

episode: 706   score: [-13.13392661]
episode: 707   score: [-12.91221984]
episode: 708   score: [-50.38036647]
episode: 709   score: [-74.58410041]
episode: 710   score: [-138.1596521]
episode: 711   score: [-87.3867222]
episode: 712   score: [-63.28444052]
episode: 713   score: [-0.37368592]
episode: 714   score: [-13.28473712]
episode: 715   score: [-117.78089523]
episode: 716   score: [-25.65207563]
episode: 717   score: [-0.36829411]
episode: 718   score: [-50.81750735]
episode: 719   score: [-0.33565775]
episode: 720   score: [-0.47168285]
episode: 721   score: [-0.35240929]
episode: 722   score: [-0.40577252]
episode: 723   score: [-0.37114168]
episode: 724   score: [-25.73963544]
episode: 725   score: [-37.70957794]

Anche con il reward/10 Linea, ancora abbastanza bene. Tuttavia, non capisco queste linee per quanto riguarda la negazione della perdita e perché l'equazione entropica sembra diversa da quella che ho visto in Packt che pubblicava il rinforzo profondo apprendimento pratico per foto sotto:

Il codice:

 def actor_optimizer(self):
        #placeholders for actions and advantages parameters coming in
        action = K.placeholder(shape=(None, 1))
        advantages = K.placeholder(shape=(None, 1))

        # mu = K.placeholder(shape=(None, self.action_size))
        # sigma_sq = K.placeholder(shape=(None, self.action_size))

        mu, sigma_sq = self.actor.output

        #defined a custom loss using PDF formula, K.exp is element-wise exponential
        pdf = 1. / K.sqrt(2. * np.pi * sigma_sq) * K.exp(-K.square(action - mu) / (2. * sigma_sq))
        #log pdf why?
        log_pdf = K.log(pdf + K.epsilon())
        #entropy looks different from log(sqrt(2 * pi * e * sigma_sq))
        #Sum of the values in a tensor, alongside the specified axis.
        entropy = K.sum(0.5 * (K.log(2. * np.pi * sigma_sq) + 1.))

        exp_v = log_pdf * advantages
        #entropy is made small before added to exp_v
        exp_v = K.sum(exp_v + 0.01 * entropy)
        #loss is a negation
        actor_loss = -exp_v

        #use custom loss to perform updates with Adam, ie. get gradients
        optimizer = Adam(lr=self.actor_lr)
        updates = optimizer.get_updates(self.actor.trainable_weights, [], actor_loss)
        #adjust params with custom train function
        train = K.function([self.actor.input, action, advantages], [], updates=updates)
        #return custom train function
        return train

Ancora una volta, l'equazione entropica codificata era questa: entropy = K.sum(0.5 * (K.log(2. * np.pi * sigma_sq) + 1.)) che sembra diverso da quello che viene fornito nella foto del libro di testo sopra.

Inoltre, perché la perdita è una negazione? actor_loss = -exp_v?

È negato perché è una salita a gradiente piuttosto che una discesa gradiente della funzione obiettiva per un gradiente di politica?