为什么keras-rl示例总是在输出层选择线性激活？

Question

我完全是强化学习的新手。我有一个关于keras-rl代理的输出层的激活函数的选择的问题。在keras-rl (https://github.com/matthiasplappert/keras-rl/tree/master/examples)提供的所有示例中，在输出层选择线性激活函数。为什么会这样呢？如果我使用不同的激活函数，我们会有什么效果？例如，如果我使用离散操作空间为5的OpenAI环境，我是否也应该考虑在代理的输出层中使用softmax？提前谢谢你。

Answer 1

对于keras-rl中的一些代理，使用了linear激活函数，即使这些代理使用离散的动作空间(例如，dqn，ddqn)。但是，例如，CEM对离散动作空间使用softmax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，这是代理的一部分。如果我们将用于它们的探索策略的类作为示例和方法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，最后一个dense层的linear激活函数的输出根据玻尔兹曼探测策略转换到0,1的范围内，并根据玻尔兹曼探测做出具体动作的决策。这就是在输出层中不使用softmax的原因。

您可以在此处阅读有关不同探索策略及其比较的更多信息：https://medium.com/emergent-future/simple-reinforcement-learning-with-tensorflow-part-7-action-selection-strategies-for-exploration-d3a97b7cceaf