Deep learning

[Reinforcement Learning / review article / c++] Policy Gradient (Two-armed Bandit)

JaykayChoi 2017. 3. 26. 20:50
깊은 이해를 위해 [Reinforcement Learning] Policy Gradient (Two-armed Bandit) 포스팅의 코드

이 분의 코드를  c++ 를 사용하여 코딩을 해봤습니다.

그동안 tensorflow 가 해주었던 부분 특히 블랙박스같은 부분을 직접 구현해보는 일은 공부에 많은 도움이 될 것 같네요.

제 코드와 원래 코드의 유일한 차이점은 weights 를 처음 초기화 할 때 1이 아닌 2로 했다는 부분입니다. 최초 값을 1으로 초기화할 경우 ln 에 넣었을 때 0이 나와 훈련이 되지 않았습니다.


main.cpp

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
#include <iostream>
#include <random>
#include "jaykay/Matrix.h"
 
using namespace std;
 
double PullBandit(double InBandit)
{
    random_device rd;
    mt19937 gen(rd());
    normal_distribution<double> Rnd(0.01.0);
 
    if (Rnd(gen) > InBandit)
    {
        return 1.0;
    }
    else
    {
        return -1.0;
    }
}
 
int PolicyForward(Matrix1D& Weights, float E, int NumBandits, const float* Bandits)
{
    if (rand() % 10 / 10.0f < E)
    {
        return rand() % NumBandits;
    }
    else
    {
        return Weights.ArgMax();
    }
}
 
void PolicyBackward(Matrix1D& Weights, int Action, double Reward, float LearningRate)
{
    double Loss = -1.0 * (log(Weights.Value[Action]) * Reward);
    Weights.Value[Action] += LearningRate * Loss;
}
 
int main()
{
    srand((unsigned)time(0));
 
    const int NumBandits = 4;
    const float Bandits[NumBandits] = {0.2f, 0.f, -0.2f, 5.f};
    const int AnswerIndex = 3;
    const float E = 0.1f;
    const float LearningRate = 0.001f;
 
    Matrix1D Weights(NumBandits, 2.0);
 
    const int TotalEpisodes = 1000;
    double TotalReward[NumBandits] = {0.0, };
 
    for (int i = 0 ; i < TotalEpisodes; i++)
    {
        int Action = PolicyForward(Weights, E, NumBandits, Bandits);
        double Reward = PullBandit(Bandits[Action]);
        PolicyBackward(Weights, Action, Reward, LearningRate);
        TotalReward[Action] += Reward;
 
        if (i % 50 == 0)
        {
            cout << "Running reward for the " << NumBandits << " bandits: [";
            for (int j = 0; j < NumBandits; j++)
            {
                cout << TotalReward[j] << " ";
            }
            cout << "]" << endl;
        }
    }
    int Y = Weights.ArgMax();
    cout << "The agent thinks bandit " << Y + 1 << " is the most promising...." << endl;
    if (Y == AnswerIndex)
    {
        cout << "...and it was right!" << endl;
    }
    else
    {
        cout << "...and it was wrong!" << endl;
    }
 
    return 0;
}
cs


Matrix.h

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
//
// Created by JK Choi on 2017. 3. 19..
//
 
#ifndef RLBANDITS_MATRIX_H
#define RLBANDITS_MATRIX_H
 
 
class Matrix1D
{
public:
 
    Matrix1D(int InColumn);
    Matrix1D(int InColumn, double DefaultValue);
    ~Matrix1D();
 
    void Init(int InColumn);
    void Print();
    int ArgMax();
    Matrix1D Slice(int Begin, int Size);
    Matrix1D Log();
    friend Matrix1D operator*(const Matrix1D& Left, double Right);
 
    int Column;
    double *Value;
};
 
class Matrix2D
{
public:
 
    Matrix2D(int InRow, int InColumn);
    Matrix2D(int InRow, int InColumn, double DefaultValue);
    ~Matrix2D();
 
    void Init(int InRow, int InColumn);
    
    friend Matrix2D operator*(const Matrix2D& Left, const Matrix2D& Right);
    friend Matrix2D operator*(const Matrix2D& Left, double Right);
 
    void Print();
    Matrix1D ArgMax(int Axis);
    Matrix2D Slice(int Begin[2], int Size[2]);
 
    int Row;
    int Column;
    double **Value;
};
 
namespace MatrixMath
{
    Matrix1D Log(const Matrix1D& In);
    Matrix2D Log(const Matrix2D& In);
}
 
#endif //RLBANDITS_MATRIX_H
 
cs



Matrix.cpp

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
//
// Created by JK Choi on 2017. 3. 19..
//
 
#include "Matrix2D.h"
#include <stdio.h>
#include <string.h>
#include <iostream>
#include <cmath>
 
using namespace std;
 
/////////////////////////////////////////////////////////////////////////
// Matrix1D implementation
 
Matrix1D::Matrix1D(int InColumn)
{
    Init(InColumn);
}
 
Matrix1D::Matrix1D(int InColumn, double DefaultValue)
{
    Init(InColumn);
    for (int c = 0; c < Column; c++)
    {
        Value[c] = DefaultValue;
    }
}
 
Matrix1D::~Matrix1D()
{
    delete [] Value;
}
 
void Matrix1D::Init(int InColumn)
{
    Column = InColumn;
    Value = new double[Column];
    memset(Value, 0sizeof(int* Column);
}
 
void Matrix1D::Print()
{
    for (int c = 0; c < Column; c++)
    {
        if (c != 0)
        {
            cout << " ";
        }
        cout << Value[c];
    }
    cout << endl;
}
 
int Matrix1D::ArgMax()
{
    int Ret = 0;
    double MaxV = Value[0];
    for (int i = 1; i < Column; i++)
    {
        if (Value[i] > MaxV)
        {
            MaxV = Value[i];
            Ret = i;
        }
    }
    return Ret;
}
 
Matrix1D Matrix1D::Slice(int Begin, int Size)
{
    if (Begin + Size > Column)
    {
        cout << "InValid Begin and Size" << endl;
        return Matrix1D(0);
    }
    Matrix1D Ret(Size);
    for (int i = 0; i < Size; i++)
    {
        Ret.Value[i] = Value[Begin + i];
    }
 
    return Ret;
}
 
Matrix1D Matrix1D::Log()
{
    Matrix1D Ret(Column);
    for (int c = 0; c < Column; c++)
    {
        Ret.Value[c] = log(Value[c]);
    }
    return Ret;
}
 
Matrix1D operator*(const Matrix1D &Left, double Right)
{
    Matrix1D Ret(Left.Column);
    for (int c = 0; c < Left.Column; c++)
    {
        Ret.Value[c] = Left.Value[c] * Right;
    }
    return Ret;
}
 
 
///////////////////////////////////////////////////////////////////////////
// Matrix2D implementation
 
Matrix2D::Matrix2D(int InRow, int InColumn)
{
    Init(InRow, InColumn);
}
 
Matrix2D::Matrix2D(int InRow, int InColumn, double DefaultValue)
{
    Init(InRow, InColumn);
 
    for (int r = 0; r < Row; r++)
    {
        for (int c = 0; c < Column; c++)
        {
            Value[r][c] = DefaultValue;
        }
    }
}
 
Matrix2D::~Matrix2D()
{
    for (int i = 0; i < Row; i++)
    {
        delete [] Value[i];
    }
}
 
void Matrix2D::Init(int InRow, int InColumn)
{
    Row = InRow;
    Column = InColumn;
    Value = new double*[Row];
    for (int i = 0; i < Row; i++)
    {
        Value[i] = new double[Column];
        memset(Value[i], 0sizeof(int* Column);
    }
}
 
Matrix2D operator*(const Matrix2D &Left, const Matrix2D &Right)
{
    if (Left.Column != Right.Row)
    {
        cout << "Can not multiply" << endl;
        return Matrix2D(00);
    }
    Matrix2D Ret(Left.Row, Right.Column);
    double TempValue = 0;
    for (int r = 0; r < Left.Row; r++)
    {
        for (int c = 0; c < Right.Column; c++)
        {
            TempValue = 0;
            for(int k = 0; k < Left.Column; k++)
            {
                TempValue += Left.Value[r][k] * Right.Value[k][c];
            }
            Ret.Value[r][c] = TempValue;
        }
    }
    return Ret;
}
 
Matrix2D operator*(const Matrix2D &Left, double Right)
{
    Matrix2D Ret(Left.Row, Left.Column);
    for (int r = 0; r < Left.Row; r++)
    {
        for (int c = 0; c < Left.Column; c++)
        {
            Ret.Value[r][c] = Left.Value[r][c] * Right;
        }
    }
    return Ret;
}
 
void Matrix2D::Print()
{
    for (int r = 0; r < Row; r++)
    {
        for (int c = 0; c < Column; c++)
        {
            if (c != 0)
            {
                cout << " ";
            }
            cout << Value[r][c];
        }
        cout << endl;
    }
}
 
Matrix1D Matrix2D::ArgMax(int Axis)
{
    if (Axis != 0 && Axis != 1)
    {
        cout << "InValid Axis" << endl;
        return Matrix1D(0);
    }
 
    Matrix1D Ret(Axis == 0 ? Column : Row);
 
    if (Axis == 0)
    {
        for (int c = 0; c < Column; c++)
        {
            int Index = 0;
            double MaxV = Value[0][c];
            for (int r = 1; r < Row; r++)
            {
                if (Value[r][c] > MaxV)
                {
                    MaxV = Value[r][c];
                    Index = r;
                }
            }
            Ret.Value[c] = Index;
        }
    }
    else
    {
        for (int r = 0; r < Row; r++)
        {
            int Index = 0;
            double MaxV = Value[r][0];
            for (int c = 1; c < Column; c++)
            {
                if (Value[r][c] > MaxV)
                {
                    MaxV = Value[r][c];
                    Index = c;
                }
            }
            Ret.Value[r] = Index;
        }
    }
 
    return Ret;
}
 
Matrix2D Matrix2D::Slice(int Begin[2], int Size[2])
{
    Matrix2D Ret(Size[0], Size[1]);
 
    for (int r = 0; r < Size[0]; r++)
    {
        for (int c = 0; c < Size[1]; c++)
        {
            Ret.Value[r][c] = Value[Begin[0+ r][Begin[1+ c];
        }
    }
 
    return Ret;
}
 
 
///////////////////////////////////////////////////////////////////////////
// MatrixMath implementation
 
Matrix1D MatrixMath::Log(const Matrix1D &In)
{
    Matrix1D Ret(In.Column);
 
    for (int i = 0 ; i < In.Column; i++)
    {
        Ret.Value[i] = log(In.Value[i]);
    }
 
    return Ret;
}
 
Matrix2D MatrixMath::Log(const Matrix2D &In)
{
    Matrix2D Ret(In.Row, In.Column);
 
    for (int r = 0; r < In.Row; r++)
    {
        for (int c = 0; c < In.Column; c++)
        {
            Ret.Value[r][c] = log(In.Value[r][c]);
        }
    }
 
    return Ret;
}
 
cs