はじめに

PPOのハイパーパラメータを色々弄るとどうなるか実験のメモ．今回は離散行動空間の環境でPPOを学習させるときのバッチサイズについて．

Best Practices when training with PPOという記事があり，バッチサイズについて次のようなことが書かれている．

batch_size corresponds to how many experiences are used for each gradient descent update. This should always be a fraction of the buffer_size. If you are using a continuous action space, this value should be large (in 1000s). If you are using a discrete action space, this value should be smaller (in 10s).
Typical Range (Continuous): 512 - 5120
Typical Range (Discrete): 32 - 512

要するに：

バッチサイズ(batch_size)は勾配降下の各更新にどれだけのサンプルを使うかに対応する
バッチサイズの倍数がバッファサイズ(buffer_size)でなければならない
行動空間が離散の時は小さめ，連続の時は大きめのほうがよい

今回は離散行動空間を持つMountainCar-v0でこれを（雑に）検証してみる．

実験

update_interval(=バッファサイズ)を2048に固定し，バッチサイズを1,8,16,32,64,128,256,512,1024,2048と変えて実験してみる．離散行動空間での「典型例」の範囲は32〜512らしいが，果たして本当か．

実験にはChainerRLを使う．こちらのソースコードをお借りした．
argumentで変更するのは--batchsize（と，保存場所を実験ごとに変更するので--outdir）である．


    parser.add_argument('--gpu', type=int, default=0)
    parser.add_argument('--env', type=str, default='MountainCar-v0')
    parser.add_argument('--arch', type=str, default='FFSoftmax',
                        choices=('FFSoftmax', 'FFMellowmax',
                                 'FFGaussian'))
    parser.add_argument('--bound-mean', action='store_true')
    parser.add_argument('--seed', type=int, default=0,
                        help='Random seed [0, 2 ** 32)')
    parser.add_argument('--outdir', type=str, default='results',
                        help='Directory path to save output files.'
                             ' If it does not exist, it will be created.')
    parser.add_argument('--steps', type=int, default=10 ** 6)
    parser.add_argument('--eval-interval', type=int, default=10000)
    parser.add_argument('--eval-n-runs', type=int, default=10)
    parser.add_argument('--reward-scale-factor', type=float, default=1e-2)
    parser.add_argument('--standardize-advantages', action='store_true')
    parser.add_argument('--render', action='store_true', default=False)
    parser.add_argument('--lr', type=float, default=3e-4)
    parser.add_argument('--weight-decay', type=float, default=0.0)
    parser.add_argument('--demo', action='store_true', default=False)
    parser.add_argument('--load', type=str, default='')
    parser.add_argument('--logger-level', type=int, default=logging.INFO)
    parser.add_argument('--monitor', action='store_true')

    parser.add_argument('--update-interval', type=int, default=2048)
    parser.add_argument('--batchsize', type=int, default=64)
    parser.add_argument('--epochs', type=int, default=10)
    parser.add_argument('--entropy-coef', type=float, default=0.0)

最適化手法には，以前の結果を踏まえSMORMS3（引数なし）を使う．

実験環境

CPU : Intel Core i7-8700CPU @ 3.20Hz x 12
メモリ : 32GB
グラボ: GeForce RTX2080Ti 11GB

結果

学習曲線

100区間の移動平均をとったもの．（2048は最後まで性能が向上しなかった）

bestモデルの性能

bestモデルで10000回走らせたときの累積報酬の箱ひげ図．ちなみに，確認できた報酬の最大値は-83，最小値は-200である．

学習時間

右は拡大したもの．当たり前の話ではあるが，バッチサイズを小さくすると時間が増える．

結論

学習時間と性能のバランス的に，32あたりが良さそう．

Typical Range (Discrete): 32 - 512

先人の教えは正しかった．気が向いたら続きます．