Q-Learning,学习Action对应期望值(Expected
Utility)。1989年,Watkins提出。收敛性,1992年,Watkins和Dayan共同认证。学习要价值,从此时此刻同步到独具继续手续,总期获得最特别价值(Q值、Value)。Action->Q函数,最佳策略,在每个state下,选择Q值最高的Action。不依赖环境模型。有限马尔科夫决策过程(Markov
Dectision Process) ,Q-Learning被证明最终得以找到最好精美政策。

读书笔记TF038:实现估值网络,tf038估值

Q-Learning,学习Action对应期望值(Expected
Utility)。1989年,Watkins提出。收敛性,1992年,Watkins和Dayan共同认证。学习要价值,从目前一致步到拥有继续手续,总期获得最要命价值(Q值、Value)。Action->Q函数,最佳策略,在每个state下,选择Q值最高的Action。不依赖环境模型。有限马尔科夫决策过程(Markov
Dectision Process) ,Q-Learning被证明最终可以找到最优秀政策。

Q-Learning目标,求解函数Q(st,at),根据目前条件状态,估算Action期望价值。Q-Learning训练模型,以(状态、行为、奖励、下一致态)构成元组(st,at,rt+1,st+1)样本训练,st当前状态,at当前状态下执行action,rt+1执行Action后取得奖励,st+1下同样态,(当前状态,行动,奖励,下一样状态)。特征(st,at)。学习目标(期望价值)
rt+1+γ·maxaQ(st+1,a),当前Action获得Reward,加下一样步而收获无限老梦想价值,当前状态行动奖励,加下同样态行动极度酷希望价值。学习目标包含Q-Learning函数本身,递归求解。下一致步而取得最充分梦想价值乘γ(衰减系数discount
factor),未来嘉奖的学权重。discount factor
0,模型学习不交任何未来奖励信息,变短视,只关注当下便宜。discount factor
>=
1,算法可能无法磨灭,期望价值持续添加没有衰减(discount),期望价值发散。discount
factor一般比较1有点粗。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习过程式子。旧Q-Learning函数Qold(st,at),向习目标(当前收获Reward加下一致步可获取最酷梦想价值),按可比小学习速率α学习,得到新Q-Learning函数Qnew(st,at)。学习速率决定新取得样本信息覆盖率前左右及消息比率,通常如于小价,保证学习过程稳定,确保最后收敛性。Q-Learning需要初始值Q0,比较高初始值,鼓励模型多探索。

读书Q-Learning模型用神经网络,得到模型是估值网络。用比较特别的神经网络,就是DQN。Google
DeepMind,《Nature》论文,《Human-level control through deep
reinforcement
learning》提出。DeepMind用DQN创建达标人类专家水平玩Atari2600系列游戏Agent。

state of the art DQN
Trick。第一单Trick。DQN引入卷积层。模型通过Atari游戏视频图像了解环境信息并学习策略。DQN需要懂得接收图像,具有图像识别能力。卷积神经网络,利用而领到空间组织信息卷积层抽取特征。卷积层提取图像遭到要害目标特征污染为后叠举行分类、回归。DQN用卷积层做强化学习训练,根据条件图像输出决策。

仲独Trick。Experience Replay。深度上要大量样书,传统Q-Learning
online
update方法(逐一对新样本上)不适合DQN。增大样本,多独epoch训练,图像反复使用。Experience
Replay,储存Agent
Experience样本,每次训练随机抽取部分样本供网络学习。稳定形成上任务,避免短视只上时接触样本,综合反复用过往大量样书学习。创建储存Experience缓存buffer,储存一定量较新样本。容量满了,用新样本替换最老样本,保证大部分样本相近概率被压缩到。不替换旧样本,训练过程被削减到概率永远比新样本高很多。每次用训练样本,直接从buffer随机抽取一定量给DQN训练,保持样本高利用率,让范学习到比新样本。

老三个Trick。用第二个DQN网络帮助训练,target
DQN,辅助计算目标Q值,提供上目标公式里之maxaQ(st+1,a)。两独网,一个造学习目标,一个其实训练,让Q-Learning训练目标保持安静。强化学习
Q-Learning学习目标每次变更,学习目标分部是范本身输出,每次换代模型参数会导致学习目标转移,更新往往幅度颇,训练过程会杀不安静、失控,DQN训练会深陷目标Q值与预计Q值反馈循环(陷入震荡发散,难消)。需要安静target
DQN辅助网络计算目标Q值。target
DQN,低频率、缓慢学习,输出目标Q值波动较小,减多少训练过程影响。

第4独Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。传统DQN高估Action
Q值,高估计不备匀,导致不良优Action被大估计超过最优Action。target DQN
负责转目标Q值,先来Q(st+1,a),再经过maxa选择最为充分Q值。Double
DQN,在主DQN上经过极端要命Q值选择Action,再沾Action在target DQN
Q值。主网选择Action,targetDQN生成Action
Q值。被捎Q值,不必然总是最深,避免被强估次优Action总是跳最优Action,导致发现未了确实最好Action。学习目标公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a)))。

第5个Trick。Dueling DQN。Google 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,一部分静态环境状态有所价值V(st),Value;另一样片段动态选择Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家计环境Value和甄选Action
Advantage。Advantage,Action与其余Action比较,零均值。网络最后,不再直接输出Action数量Q值,输出一个Value,及Action数量
Advantage值。V值分别加至每个Advantage值上,得最终结果。让DQN学习目标又强烈,如果手上企价值要是因为环境状态控制,Value值大,所有Advantage波动不雅;如果期望价值要由Action决定,Value值小,Advantage波动大。分解为学习目标再平稳、精确,DQN对环境状态估计能力更强。

兑现带Trick DQN。任务环境
GridWorld导航类水言纟工。GridWorld包含一个hero,4独goal,2个fire。控制hero移动,每次向上、下、左、右方向运动一步,多触碰goal(奖励值1),避开fire(奖励值-1)。游戏目标,限度步数内以到最好多分。Agent
直接通过GridWorld图像上决定hero移动最漂亮政策。

创办GridWorld任务环境。载入依赖库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,训练时间增长,os定期储存模型文件。

创立环境外物体对象class。环境物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(RGB颜色通道)、reward(奖励值)、name(名称)。

缔造GridWorld环境class,初始化方法就传入参数环境size。环境加上、宽为输入size,环境Action
Space设4,初始化环境物体对象列表。self.reset()方法重置环境,得到初始observation(GridWorld图像),plt.imshow展示observation。

概念环境reset方法。创建有GridWorld物体,1个hero(用户控制目标)、4单goal(reward
1)、2单fire(reward
-1),添加到物体对象列表self.objects。self.newPosition()创建物体位置,随机选取没有为占用新职务。物有物体size、intensity
1,hero channel 2(蓝色),goal channel 1(绿色),fire channel
0(红色)。self.renderEnv()绘制GridWorld图像,state。

实现移动敢角色方法,传入值0、1、2、3季只数字,分别表示及、下、左、右。函数根据输入操作英雄移动。如果运动该方向会导致英雄出界,不会见进展任何活动。

概念newPosition方法,选择一个与现有物体不冲突位置。itertools.product方法获得几独变量所有组成,创建环境size允许持有职位集合points,获取目前抱有物体位置集合currentPositions,从points去掉currentPositions,剩下可用位置。np.random.choice随机抽取一个可用位置返回。

定义checkGoal函数。检查hero是否触碰goal、fire。从objects获取hero,其他物体对象放置others列表。编历others列表,如果物体与坐标与hero完全一致,判定触碰。根据触碰物体销毁,self.newPosition()方法以自由位置更转物体,返回物体reward值(goal
1,fire -1)。

开创长宛size+2、颜色通道数 3
图片。初始值全1,代表都白。最外内部像素颜色值全部赋0,代表黑色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像于原本大小resize
84x84x3尺寸,正常游玩图像尺寸。

概念GridWorld环境实行同一步Action方法。输入参数Action,self.moveChart(action)移动hero位置,self.checkGoal()检测hero是否触碰物体,得到reward、done标记。self.renderEnv获取环境图像state,返回state、reward、done。

调用gameEnv类初始化方法,设置size
5,创建5×5老小GridWorld环境,每次创建GridWorld环境随机生成。小尺寸环境相对好学,大尺寸较麻烦,训练时间又丰富。

计划DQN(Deep
Q-Network)网络。使用卷积层,可以直接由环境原始像素学习策略。输入scalarInput,扁平化长为84x84x3=21168望量,恢复成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d开立第1只卷积层,卷积核尺寸8×8,步长4×4,输出通道数(filter数量)32,padding模型VALID,bias初始化器空。用4×4小幅和VALID模型padding,第1层卷积输出维度20x20x32。第2重合卷积尺寸4×4,步长2×2,输出通道数64,输出维度9x9x64。第3重叠卷积尺寸3×3,步长1×1,输出通道数64,输出维度7x7x64。第4叠卷积尺寸7×7,步长1×1,输出通道数512,空间尺寸仅允许在一个岗位卷积,,输出维度1x1x512。

tf.split(),第4个卷积层输出conv4平均拆分点儿截,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的价值)和Value
Function(环境本身价值)。tf.split函数第2参数代表要大小便分成几段子。第3参数代表要拆分几单维度。tf.contrib.layers.flatten将streamAC和streamVC转遍平的steamA和steamV。创建streamA和streamV线性全连接层参数AW和VW。tf.random_normal初始化权重,tf.matmul做全连接层矩阵乘法,得到self.Advantage和self.Value。Advantage针对Action,输出数量也Action数量。Value针对环境统一的,输出数量
1。Q值由Value、advantage复合成,Value加上减少均值Advantage。Advantage减去均值操作
tf.subtract,均值计算tf.reduce_mean函数(reduce_indices
1,代表Action数量维度)。最后输出Action,Q值最充分Action,tf.argmax。

概念Double
DQN目标Q值targetQ输入placeholder,Agent动作actions输入placeholder。计算目标Q值,action由主DQN选择,Q值由辅助target
DQN生成。计算预测Q值,scalar形式actions转onehot编码形式,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout及actions都来源于主DQN)。

定义loss,tf.square、tf.reduce_mean计算targetQ和Q均方误差,学习速率1e-4
Adam优化器优化预测Q值和目标Q值偏差。

实现Experience Replay策略。定义experience_buffer
class。初始化定义buffer_size存储样本最特别容量,创建buffer列表。定义为经buffer添加元素方法。如果跨越buffer最要命容量,清空最早样本,列表末尾添加新元素。定义样本抽样方式,用random.sample()函数随机抽取一定数额样本。

概念84x84x3 states扁平化 1维向量函数processState,方便后面堆叠样本。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法创新模型参数)。输入变量tfVars,TensorFlow
Graph全部参数。tau,target
DQN向主DQN学习之速率。函数updateTargetGraph取tfVars前一半参数,主DQN模型参数。再叫辅助targetDQN参数为为主DQN参数前进很有些比例(tau,0.001),target
DQN缓慢学习主DQN。训练时,目标Q值不能够于几软迭代中波动最要命,训练好不平静、失控,陷入目标Q值和展望Q值反馈循环。需要稳定目标Q值训练网络,缓慢学习target
DQN网络出口目标Q值,主网络优化目标Q值和预测Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创建创新target
DQN模型参数操作,函数updateTarget执行操作。

DQN网络训练过程参数。batch_size,每次从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step执行同一不成模型参数更新,4。Q值衰减系数(discount
factor)γ,0.99。startE起始执行随机Action概率。endE最终实施随机Action概率。anneling_steps从开始随机概率降到终极随机概率所要步数。num_episodes总共多少次GridWorld环境试验。pre_train_steps正式用DQN选择Action前开展小步随机Action测试。max_epLength每个episode进行多少步Action。load_model是否读取之前训练模型。path模型储存路径。h_size是DQN网络最后全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类初始化mainQN和辅助targetQN。初始化所有模型参数。trainables获取有可训练参数。updateTargetGraph创建创新target
DQN模型参数操作。

experience_buffer创建experience replay
class,设置当前随机Action概率e,计算e每一样步衰减值stepDrop。初始化储存每个episode的reward列表rList,总步数total_steps。创建模型训练保存器(Saver)检查保存目录是否存在。

创立默认Session,如果load_model标志True,检查模型文件路径checkpoint,读取载入已保存模型。执行参数初始化操作,执行更新targetQN模型参数操作。创建GridWorld试验循环,创建每个episode内部experience_buffer,内部buffer不参与时迭代训练,训练就行使前episode样本。初始化环境得第一单环境信息s,processState()函数扁平化。初始化默认done标记d、episode内总reward值rAll、episode内步数j。

创内层循环,每次迭代执行Action。总步数仅次于pre_train_steps,强制用随机Action,只由随机Action学习,不加剧过程。达到pre_train_steps,保留较小概率随机选取Action。不随机选择Action,传入当前状态s给主DQN,预测得到应该执行Action。env.step()执行同样步Action,得到接下来状态s1、reward、done标记。processState对s1扁平化处理,s、a、r、s1、d传入episodeBuffer存储。

归根结底步数超过pre_train_steps,持续下滑随机选择Action概率e,直到最低值endE。每当总步数上update_freq整数管,进行同样不成训练,模型参数更新。从myBuffer中sample出一个batch_size样本。训练样本第3列信息,下一致状态s1,传入mainQN,执行main.predict,得到主模型选择Action。s1传辅助targetQN,得到s1状态下有所Action的Q值。mainQN输出Action
,选择targetQN输出Q,得到doubleQ。两单DQN网络将选择Action和出口Q值两独操作分隔开,Double
DQN。训练样本第2排列信息,当前reward,加doubleQ乘以衰减系数γ,得到学习目标targetQ。传入当前状态s,学习目标targetQ和骨子里使用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完成同样次于训练过程。每个step结束,累计当前及时步获取reward,更新当前状态也产一致步试验做准备。如果done标记为True,直接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作以后训练抽样数据集。当前episode
reward添加到rList。每25只episode展示平均reward值。每1000独episode或整训得,保存时型。

起200只episode内,完全本机Action的前头10000步内,平均可博得reward在2邻座,基础baseline。

教练最后episode输出,平均reward 22,非常大提升。

算各国100单episode平均reward,plt.plot展示reward变化趋势。从第1000只episode开始,reward快速提升,到第4000独episode基本达高峰,后面进去平台期,提升非要命。

    import numpy as np
    import random
    import tensorflow as tf
    import os
    %matplotlib inline
    from gridworld import gameEnv
    env = gameEnv(size=5)
    class Qnetwork():
        def __init__(self,h_size):
            #The network recieves a frame from the game, flattened into an array.
            #It then resizes it and processes it through four convolutional layers.
            self.scalarInput =  tf.placeholder(shape=[None,21168],dtype=tf.float32)
            self.imageIn = tf.reshape(self.scalarInput,shape=[-1,84,84,3])
            self.conv1 = tf.contrib.layers.convolution2d( \
                inputs=self.imageIn,num_outputs=32,kernel_size=[8,8],stride=[4,4],padding='VALID', biases_initializer=None)
            self.conv2 = tf.contrib.layers.convolution2d( \
                inputs=self.conv1,num_outputs=64,kernel_size=[4,4],stride=[2,2],padding='VALID', biases_initializer=None)
            self.conv3 = tf.contrib.layers.convolution2d( \
                inputs=self.conv2,num_outputs=64,kernel_size=[3,3],stride=[1,1],padding='VALID', biases_initializer=None)
            self.conv4 = tf.contrib.layers.convolution2d( \
                inputs=self.conv3,num_outputs=512,kernel_size=[7,7],stride=[1,1],padding='VALID', biases_initializer=None)

            #We take the output from the final convolutional layer and split it into separate advantage and value streams.
            self.streamAC,self.streamVC = tf.split(self.conv4,2,3)
            self.streamA = tf.contrib.layers.flatten(self.streamAC)
            self.streamV = tf.contrib.layers.flatten(self.streamVC)
            self.AW = tf.Variable(tf.random_normal([h_size//2,env.actions]))
            self.VW = tf.Variable(tf.random_normal([h_size//2,1]))
            self.Advantage = tf.matmul(self.streamA,self.AW)
            self.Value = tf.matmul(self.streamV,self.VW)

            #Then combine them together to get our final Q-values.
            self.Qout = self.Value + tf.subtract(self.Advantage,tf.reduce_mean(self.Advantage,reduction_indices=1,keep_dims=True))
            self.predict = tf.argmax(self.Qout,1)

            #Below we obtain the loss by taking the sum of squares difference between the target and prediction Q values.
            self.targetQ = tf.placeholder(shape=[None],dtype=tf.float32)
            self.actions = tf.placeholder(shape=[None],dtype=tf.int32)
            self.actions_onehot = tf.one_hot(self.actions,env.actions,dtype=tf.float32)

            self.Q = tf.reduce_sum(tf.multiply(self.Qout, self.actions_onehot), reduction_indices=1)

            self.td_error = tf.square(self.targetQ - self.Q)
            self.loss = tf.reduce_mean(self.td_error)
            self.trainer = tf.train.AdamOptimizer(learning_rate=0.0001)
            self.updateModel = self.trainer.minimize(self.loss)

    class experience_buffer():
        def __init__(self, buffer_size = 50000):
            self.buffer = []
            self.buffer_size = buffer_size

        def add(self,experience):
            if len(self.buffer) + len(experience) >= self.buffer_size:
                self.buffer[0:(len(experience)+len(self.buffer))-self.buffer_size] = []
            self.buffer.extend(experience)

        def sample(self,size):
            return np.reshape(np.array(random.sample(self.buffer,size)),[size,5])

    def processState(states):
        return np.reshape(states,[21168])

    def updateTargetGraph(tfVars,tau):
        total_vars = len(tfVars)
        op_holder = []
        for idx,var in enumerate(tfVars[0:total_vars//2]):
            op_holder.append(tfVars[idx+total_vars//2].assign((var.value()*tau) + ((1-tau)*tfVars[idx+total_vars//2].value())))
        return op_holder
    def updateTarget(op_holder,sess):
        for op in op_holder:
            sess.run(op)
    batch_size = 32 #How many experiences to use for each training step.
    update_freq = 4 #How often to perform a training step.
    y = .99 #Discount factor on the target Q-values
    startE = 1 #Starting chance of random action
    endE = 0.1 #Final chance of random action
    anneling_steps = 10000. #How many steps of training to reduce startE to endE.
    num_episodes = 10000#How many episodes of game environment to train network with.
    pre_train_steps = 10000 #How many steps of random actions before training begins.
    max_epLength = 50 #The max allowed length of our episode.
    load_model = False #Whether to load a saved model.
    path = "./dqn" #The path to save our model to.
    h_size = 512 #The size of the final convolutional layer before splitting it into Advantage and Value streams.
    tau = 0.001 #Rate to update target network toward primary network
    tf.reset_default_graph()
    mainQN = Qnetwork(h_size)
    targetQN = Qnetwork(h_size)
    init = tf.global_variables_initializer()
    trainables = tf.trainable_variables()
    targetOps = updateTargetGraph(trainables,tau)
    myBuffer = experience_buffer()
    #Set the rate of random action decrease. 
    e = startE
    stepDrop = (startE - endE)/anneling_steps
    #create lists to contain total rewards and steps per episode
    rList = []
    total_steps = 0
    #Make a path for our model to be saved in.
    saver = tf.train.Saver()
    if not os.path.exists(path):
        os.makedirs(path)
    #%%
    with tf.Session() as sess:
        if load_model == True:
            print('Loading Model...')
            ckpt = tf.train.get_checkpoint_state(path)
            saver.restore(sess,ckpt.model_checkpoint_path)
        sess.run(init)
        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
        for i in range(num_episodes+1):
            episodeBuffer = experience_buffer()
            #Reset environment and get first new observation
            s = env.reset()
            s = processState(s)
            d = False
            rAll = 0
            j = 0
            #The Q-Network
            while j < max_epLength: #If the agent takes longer than 200 moves to reach either of the blocks, end the trial.
                j+=1
                #Choose an action by greedily (with e chance of random action) from the Q-network
                if np.random.rand(1) < e or total_steps < pre_train_steps:
                    a = np.random.randint(0,4)
                else:
                    a = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:[s]})[0]
                s1,r,d = env.step(a)
                s1 = processState(s1)
                total_steps += 1
                episodeBuffer.add(np.reshape(np.array([s,a,r,s1,d]),[1,5])) #Save the experience to our episode buffer.

                if total_steps > pre_train_steps:
                    if e > endE:
                        e -= stepDrop

                    if total_steps % (update_freq) == 0:
                        trainBatch = myBuffer.sample(batch_size) #Get a random batch of experiences.
                        #Below we perform the Double-DQN update to the target Q-values
                        A = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,3])})
                        Q = sess.run(targetQN.Qout,feed_dict={targetQN.scalarInput:np.vstack(trainBatch[:,3])})
                        doubleQ = Q[range(batch_size),A]
                        targetQ = trainBatch[:,2] + y*doubleQ
                        #Update the network with our target values.
                        _ = sess.run(mainQN.updateModel, \
                            feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,0]),mainQN.targetQ:targetQ, mainQN.actions:trainBatch[:,1]})

                        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
                rAll += r
                s = s1

                if d == True:
                    break

            #Get all experiences from this episode and discount their rewards.
            myBuffer.add(episodeBuffer.buffer)
            rList.append(rAll)
            #Periodically save the model.
            if i>0 and i % 25 == 0:
                print('episode',i,', average reward of last 25 episode',np.mean(rList[-25:]))
            if i>0 and i % 1000 == 0:
                saver.save(sess,path+'/model-'+str(i)+'.cptk')
                print("Saved Model")            
        saver.save(sess,path+'/model-'+str(i)+'.cptk')
    #%%
    rMat = np.resize(np.array(rList),[len(rList)//100,100])
    rMean = np.average(rMat,1)
    plt.plot(rMean)

 

参考资料:
《TensorFlow实战》

欢迎付费咨询(150长各个小时),我的微信:qingxingfengzi

http://www.bkjia.com/cjjc/1222006.htmlwww.bkjia.comtruehttp://www.bkjia.com/cjjc/1222006.htmlTechArticle学习笔记TF038:实现估值网络,tf038估值
Q-Learning,学习Action对应期望值(Expected
Utility)。1989年,Watkins提出。收敛性,1992年,Watkins和Dayan共同证…

Q-Learning目标,求解函数Q(st,at),根据当前条件状态,估算Action期望价值。Q-Learning训练模型,以(状态、行为、奖励、下一样态)构成元组(st,at,rt+1,st+1)样本训练,st当前状态,at当前状态下执行action,rt+1执行Action后获奖励,st+1下一样状态,(当前状态,行动,奖励,下同样状态)。特征(st,at)。学习目标(期望价值)
rt+1+γ·maxaQ(st+1,a),当前Action获得Reward,加下一样步可得到最好可怜期待价值,当前状态行动奖励,加下同样状态行动极度深欲价值。学习目标包含Q-Learning函数本身,递归求解。下一致步而获最特别期待价值乘γ(衰减系数discount
factor),未来嘉奖的攻权重。discount factor
0,模型学习不交其它未来奖励信息,变短视,只关注眼前补。discount factor
>=
1,算法可能无法磨灭,期望价值持续累加没有衰减(discount),期望价值发散。discount
factor一般比1粗小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习过程式子。旧Q-Learning函数Qold(st,at),向习目标(当前取Reward加下同样步而取得无限酷梦想价值),按可比小学习速率α学习,得到新Q-Learning函数Qnew(st,at)。学习速率决定新取得样本信息覆盖率前左右及信息比率,通常要于小价,保证学习过程稳定,确保最后收敛性。Q-Learning需要初始值Q0,比较高初始值,鼓励模型多探索。

攻Q-Learning模型用神经网络,得到模型是估值网络。用比较特别的神经网络,就是DQN。Google
DeepMind,《Nature》论文,《Human-level control through deep
reinforcement
learning》提出。DeepMind用DQN创建达标人类专家水平玩Atari2600系列游戏Agent。

state of the art DQN
Trick。第一单Trick。DQN引入卷积层。模型通过Atari游戏视频图像了解环境信息并学习策略。DQN需要理解接收图像,具有图像识别能力。卷积神经网络,利用而领取空间组织信息卷积层抽取特征。卷积层提取图像被关键对象特征污染于后叠举行分类、回归。DQN用卷积层做强化学习训练,根据环境图像输出决策。

第二个Trick。Experience Replay。深度上用大量样本,传统Q-Learning
online
update方法(逐一对新样本上)不符合DQN。增大样本,多独epoch训练,图像反复用。Experience
Replay,储存Agent
Experience样本,每次训练随机抽取部分样本供网络学习。稳定形成上任务,避免短视只念时接触样本,综合反复用过往大量样书学习。创建储存Experience缓存buffer,储存一定量较新样本。容量满了,用新样本替换最老样本,保证大部分样本相近概率被压缩到。不替换旧样本,训练过程被削减到概率永远比新样本高很多。每次需要训练样本,直接由buffer随机抽取一定量吃DQN训练,保持样本高利用率,让范学习到比新样本。

老三独Trick。用第二个DQN网络帮助训练,target
DQN,辅助计算目标Q值,提供学习目标公式里之maxaQ(st+1,a)。两独网络,一个造学习目标,一个实际上训练,让Q-Learning训练目标保持平静。强化学习
Q-Learning学习目标每次转,学习目标分部是范本身输出,每次换代模型参数会招学习目标变,更新往往幅度大,训练过程会特别勿安定、失控,DQN训练会沦为目标Q值与预计Q值反馈循环(陷入震荡发散,难消失)。需要稳定target
DQN辅助网络计算目标Q值。target
DQN,低频率、缓慢学习,输出目标Q值波动较小,减多少训练过程影响。

第4独Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。传统DQN高估Action
Q值,高估计不净匀,导致不良优Action被大估计超过最优Action。target DQN
负责转目标Q值,先来Q(st+1,a),再经过maxa选择最为特别Q值。Double
DQN,在主DQN上通过最充分Q值选择Action,再获Action在target DQN
Q值。主网选择Action,targetDQN生成Action
Q值。被挑Q值,不必然总是最老,避免给高估次优Action总是越最优Action,导致发现未了审最好Action。学习目标公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a)))。

第5个Trick。Dueling DQN。Google 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,一部分静态环境状态有所价值V(st),Value;另一样片段动态选择Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家计算环境Value和选Action
Advantage。Advantage,Action与其它Action比较,零均值。网络最后,不再直接输出Action数量Q值,输出一个Value,及Action数量
Advantage值。V值分别加到每个Advantage值上,得最终结果。让DQN学习目标还显,如果手上期价值要是因为环境状态控制,Value值大,所有Advantage波动不慌;如果希望价值要由Action决定,Value值小,Advantage波动大。分解为学习目标再安宁、精确,DQN对环境状态估计能力再次强。

落实带Trick DQN。任务环境
GridWorld导航类水言纟工。GridWorld包含一个hero,4只goal,2只fire。控制hero移动,每次向上、下、左、右方向移动一步,多触碰goal(奖励值1),避开fire(奖励值-1)。游戏目标,限度步数内将到最多分。Agent
直接通过GridWorld图像上决定hero移动最优质政策。

开创GridWorld任务环境。载入依赖库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,训练时累加,os定期储存模型文件。

创环境外物体对象class。环境物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(RGB颜色通道)、reward(奖励值)、name(名称)。

创办GridWorld环境class,初始化方法只有传入参数环境size。环境加上、宽也输入size,环境Action
Space设4,初始化环境物体对象列表。self.reset()方法重置环境,得到初始observation(GridWorld图像),plt.imshow展示observation。

概念环境reset方法。创建有GridWorld物体,1单hero(用户控制目标)、4只goal(reward
1)、2独fire(reward
-1),添加到物体对象列表self.objects。self.newPosition()创建物体位置,随机选没有被占据新岗位。物有物体size、intensity
1,hero channel 2(蓝色),goal channel 1(绿色),fire channel
0(红色)。self.renderEnv()绘制GridWorld图像,state。

兑现活动敢角色方法,传入值0、1、2、3季独数字,分别代表及、下、左、右。函数根据输入操作英雄移动。如果走该方向会招致英雄出界,不见面开展其他活动。

概念newPosition方法,选择一个以及现有物体不闯位置。itertools.product方法赢得几个变量所有结成,创建环境size允许有位置集合points,获取目前所有物体位置集合currentPositions,从points去掉currentPositions,剩下可用位置。np.random.choice随机抽取一个可用位置返回。

定义checkGoal函数。检查hero是否触碰goal、fire。从objects获取hero,其他物体对象放置others列表。编历others列表,如果物体及坐标与hero完全一致,判定触碰。根据触碰物体销毁,self.newPosition()方法在随心所欲位置还转物体,返回物体reward值(goal
1,fire -1)。

始建长宛size+2、颜色通道数 3
图片。初始值全1,代表都白。最外侧内部像素颜色值全部赋0,代表黑色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像于原始大小resize
84x84x3尺寸,正常游玩图像尺寸。

概念GridWorld环境实行同一步Action方法。输入参数Action,self.moveChart(action)移动hero位置,self.checkGoal()检测hero是否触碰物体,得到reward、done标记。self.renderEnv获取环境图像state,返回state、reward、done。

调用gameEnv类初始化方法,设置size
5,创建5×5异常小GridWorld环境,每次创建GridWorld环境随机生成。小尺寸环境相对好学,大尺寸较麻烦,训练时重新增长。

规划DQN(Deep
Q-Network)网络。使用卷积层,可以一直打环境原始像素学习策略。输入scalarInput,扁平化长为84x84x3=21168朝着量,恢复成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创建第1个卷积层,卷积核尺寸8×8,步长4×4,输出通道数(filter数量)32,padding模型VALID,bias初始化器空。用4×4幅和VALID模型padding,第1重合卷积输出维度20x20x32。第2重合卷积尺寸4×4,步长2×2,输出通道数64,输出维度9x9x64。第3重叠卷积尺寸3×3,步长1×1,输出通道数64,输出维度7x7x64。第4层卷积尺寸7×7,步长1×1,输出通道数512,空间尺寸仅同意在一个职务卷积,,输出维度1x1x512。

tf.split(),第4单卷积层输出conv4平均拆分点儿段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的价)和Value
Function(环境本身价值)。tf.split函数第2参数代表要拆分成几截。第3参数代表要拆分几只维度。tf.contrib.layers.flatten将streamAC和streamVC转遍平的steamA和steamV。创建streamA和streamV线性全连接层参数AW和VW。tf.random_normal初始化权重,tf.matmul做全连接层矩阵乘法,得到self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对环境统一之,输出数量
1。Q值由Value、advantage复合成,Value加上减少均值Advantage。Advantage减去均值操作
tf.subtract,均值计算tf.reduce_mean函数(reduce_indices
1,代表Action数量维度)。最后输出Action,Q值最深Action,tf.argmax。

概念Double
DQN目标Q值targetQ输入placeholder,Agent动作actions输入placeholder。计算目标Q值,action由主DQN选择,Q值由辅助target
DQN生成。计算预测Q值,scalar形式actions转onehot编码形式,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout及actions都源于主DQN)。

定义loss,tf.square、tf.reduce_mean计算targetQ和Q均方误差,学习速率1e-4
Adam优化器优化预测Q值和对象Q值偏差。

实现Experience Replay策略。定义experience_buffer
class。初始化定义buffer_size存储样本最深容量,创建buffer列表。定义为经buffer添加元素方法。如果超过buffer最酷容量,清空最早样本,列表末尾添加新元素。定义样本爱博体育抽样方式,用random.sample()函数随机抽取一定数量样本。

概念84x84x3 states扁平化 1维向量函数processState,方便后面堆叠样本。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法创新模型参数)。输入变量tfVars,TensorFlow
Graph全部参数。tau,target
DQN向主DQN学习之速率。函数updateTargetGraph取tfVars前一半参数,主DQN模型参数。再教辅助targetDQN参数为为主DQN参数前进很有点比例(tau,0.001),target
DQN缓慢学习主DQN。训练时,目标Q值不能够以几不善迭代内部波动最非常,训练好勿平稳、失控,陷入目标Q值和预测Q值反馈循环。需要安静目标Q值训练网络,缓慢学习target
DQN网络出口目标Q值,主网络优化目标Q值和预测Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创建创新target
DQN模型参数操作,函数updateTarget执行操作。

DQN网络训练过程参数。batch_size,每次从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step执行同一不良模型参数更新,4。Q值衰减系数(discount
factor)γ,0.99。startE起始执行随机Action概率。endE最终实施随机Action概率。anneling_steps从初始随机概率降到结尾随机概率所需要步数。num_episodes总共多少坏GridWorld环境试验。pre_train_steps正式用DQN选择Action前进行粗步随机Action测试。max_epLength每个episode进行小步Action。load_model是否读取之前训练模型。path模型储存路径。h_size是DQN网络最后全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类初始化mainQN和辅助targetQN。初始化所有模型参数。trainables获取具有可训练参数。updateTargetGraph创建创新target
DQN模型参数操作。

experience_buffer创建experience replay
class,设置当前随机Action概率e,计算e每一样步衰减值stepDrop。初始化储存每个episode的reward列表rList,总步数total_steps。创建模型训练保存器(Saver)检查保存目录是否留存。

创立默认Session,如果load_model标志True,检查模型文件路径checkpoint,读取载入已保存模型。执行参数初始化操作,执行更新targetQN模型参数操作。创建GridWorld试验循环,创建每个episode内部experience_buffer,内部buffer不参与时迭代训练,训练就使用之前episode样本。初始化环境得第一个条件信息s,processState()函数扁平化。初始化默认done标记d、episode内总reward值rAll、episode内步数j。

创内层循环,每次迭代执行Action。总步数仅次于pre_train_steps,强制用随机Action,只由随机Action学习,不深化过程。达到pre_train_steps,保留较小概率随机选择Action。不随机选择Action,传入当前状态s给主DQN,预测得到相应执行Action。env.step()执行同一步Action,得到接下来状态s1、reward、done标记。processState对s1扁平化处理,s、a、r、s1、d传入episodeBuffer存储。

总步数超过pre_train_steps,持续回落随机挑选Action概率e,直到最低值endE。每当总步数达update_freq整数部,进行同样潮训练,模型参数更新。从myBuffer中sample出一个batch_size样本。训练样本第3排列信息,下同样态s1,传入mainQN,执行main.predict,得到主模型选择Action。s1传播辅助targetQN,得到s1状态下所有Action的Q值。mainQN输出Action
,选择targetQN输出Q,得到doubleQ。两只DQN网络将拣Action和输出Q值两个操作分隔开,Double
DQN。训练样本第2列信息,当前reward,加doubleQ乘以衰减系数γ,得到读书目标targetQ。传入当前状态s,学习目标targetQ和事实上应用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完成同样不善训练过程。每个step结束,累计当前立刻步获取reward,更新当前状态呢下一样步试验做准备。如果done标记为True,直接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作以后训练抽样数据集。当前episode
reward添加到rList。每25独episode展示平均reward值。每1000个episode或任何教练好,保存时型。

始发200独episode内,完全依照机Action的前方10000步内,平均可赢得reward在2紧邻,基础baseline。

教练最后episode输出,平均reward 22,非常大提升。

计各国100单episode平均reward,plt.plot展示reward变化趋势。从第1000只episode开始,reward快速提升,到第4000独episode基本达高峰,后面进去平台期,提升非殊。

    import numpy as np
    import random
    import tensorflow as tf
    import os
    %matplotlib inline
    from gridworld import gameEnv
    env = gameEnv(size=5)
    class Qnetwork():
        def __init__(self,h_size):
            #The network recieves a frame from the game, flattened into an array.
            #It then resizes it and processes it through four convolutional layers.
            self.scalarInput =  tf.placeholder(shape=[None,21168],dtype=tf.float32)
            self.imageIn = tf.reshape(self.scalarInput,shape=[-1,84,84,3])
            self.conv1 = tf.contrib.layers.convolution2d( \
                inputs=self.imageIn,num_outputs=32,kernel_size=[8,8],stride=[4,4],padding='VALID', biases_initializer=None)
            self.conv2 = tf.contrib.layers.convolution2d( \
                inputs=self.conv1,num_outputs=64,kernel_size=[4,4],stride=[2,2],padding='VALID', biases_initializer=None)
            self.conv3 = tf.contrib.layers.convolution2d( \
                inputs=self.conv2,num_outputs=64,kernel_size=[3,3],stride=[1,1],padding='VALID', biases_initializer=None)
            self.conv4 = tf.contrib.layers.convolution2d( \
                inputs=self.conv3,num_outputs=512,kernel_size=[7,7],stride=[1,1],padding='VALID', biases_initializer=None)

            #We take the output from the final convolutional layer and split it into separate advantage and value streams.
            self.streamAC,self.streamVC = tf.split(self.conv4,2,3)
            self.streamA = tf.contrib.layers.flatten(self.streamAC)
            self.streamV = tf.contrib.layers.flatten(self.streamVC)
            self.AW = tf.Variable(tf.random_normal([h_size//2,env.actions]))
            self.VW = tf.Variable(tf.random_normal([h_size//2,1]))
            self.Advantage = tf.matmul(self.streamA,self.AW)
            self.Value = tf.matmul(self.streamV,self.VW)

            #Then combine them together to get our final Q-values.
            self.Qout = self.Value + tf.subtract(self.Advantage,tf.reduce_mean(self.Advantage,reduction_indices=1,keep_dims=True))
            self.predict = tf.argmax(self.Qout,1)

            #Below we obtain the loss by taking the sum of squares difference between the target and prediction Q values.
            self.targetQ = tf.placeholder(shape=[None],dtype=tf.float32)
            self.actions = tf.placeholder(shape=[None],dtype=tf.int32)
            self.actions_onehot = tf.one_hot(self.actions,env.actions,dtype=tf.float32)

            self.Q = tf.reduce_sum(tf.multiply(self.Qout, self.actions_onehot), reduction_indices=1)

            self.td_error = tf.square(self.targetQ - self.Q)
            self.loss = tf.reduce_mean(self.td_error)
            self.trainer = tf.train.AdamOptimizer(learning_rate=0.0001)
            self.updateModel = self.trainer.minimize(self.loss)

    class experience_buffer():
        def __init__(self, buffer_size = 50000):
            self.buffer = []
            self.buffer_size = buffer_size

        def add(self,experience):
            if len(self.buffer) + len(experience) >= self.buffer_size:
                self.buffer[0:(len(experience)+len(self.buffer))-self.buffer_size] = []
            self.buffer.extend(experience)

        def sample(self,size):
            return np.reshape(np.array(random.sample(self.buffer,size)),[size,5])

    def processState(states):
        return np.reshape(states,[21168])

    def updateTargetGraph(tfVars,tau):
        total_vars = len(tfVars)
        op_holder = []
        for idx,var in enumerate(tfVars[0:total_vars//2]):
            op_holder.append(tfVars[idx+total_vars//2].assign((var.value()*tau) + ((1-tau)*tfVars[idx+total_vars//2].value())))
        return op_holder
    def updateTarget(op_holder,sess):
        for op in op_holder:
            sess.run(op)
    batch_size = 32 #How many experiences to use for each training step.
    update_freq = 4 #How often to perform a training step.
    y = .99 #Discount factor on the target Q-values
    startE = 1 #Starting chance of random action
    endE = 0.1 #Final chance of random action
    anneling_steps = 10000. #How many steps of training to reduce startE to endE.
    num_episodes = 10000#How many episodes of game environment to train network with.
    pre_train_steps = 10000 #How many steps of random actions before training begins.
    max_epLength = 50 #The max allowed length of our episode.
    load_model = False #Whether to load a saved model.
    path = "./dqn" #The path to save our model to.
    h_size = 512 #The size of the final convolutional layer before splitting it into Advantage and Value streams.
    tau = 0.001 #Rate to update target network toward primary network
    tf.reset_default_graph()
    mainQN = Qnetwork(h_size)
    targetQN = Qnetwork(h_size)
    init = tf.global_variables_initializer()
    trainables = tf.trainable_variables()
    targetOps = updateTargetGraph(trainables,tau)
    myBuffer = experience_buffer()
    #Set the rate of random action decrease. 
    e = startE
    stepDrop = (startE - endE)/anneling_steps
    #create lists to contain total rewards and steps per episode
    rList = []
    total_steps = 0
    #Make a path for our model to be saved in.
    saver = tf.train.Saver()
    if not os.path.exists(path):
        os.makedirs(path)
    #%%
    with tf.Session() as sess:
        if load_model == True:
            print('Loading Model...')
            ckpt = tf.train.get_checkpoint_state(path)
            saver.restore(sess,ckpt.model_checkpoint_path)
        sess.run(init)
        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
        for i in range(num_episodes+1):
            episodeBuffer = experience_buffer()
            #Reset environment and get first new observation
            s = env.reset()
            s = processState(s)
            d = False
            rAll = 0
            j = 0
            #The Q-Network
            while j < max_epLength: #If the agent takes longer than 200 moves to reach either of the blocks, end the trial.
                j+=1
                #Choose an action by greedily (with e chance of random action) from the Q-network
                if np.random.rand(1) < e or total_steps < pre_train_steps:
                    a = np.random.randint(0,4)
                else:
                    a = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:[s]})[0]
                s1,r,d = env.step(a)
                s1 = processState(s1)
                total_steps += 1
                episodeBuffer.add(np.reshape(np.array([s,a,r,s1,d]),[1,5])) #Save the experience to our episode buffer.

                if total_steps > pre_train_steps:
                    if e > endE:
                        e -= stepDrop

                    if total_steps % (update_freq) == 0:
                        trainBatch = myBuffer.sample(batch_size) #Get a random batch of experiences.
                        #Below we perform the Double-DQN update to the target Q-values
                        A = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,3])})
                        Q = sess.run(targetQN.Qout,feed_dict={targetQN.scalarInput:np.vstack(trainBatch[:,3])})
                        doubleQ = Q[range(batch_size),A]
                        targetQ = trainBatch[:,2] + y*doubleQ
                        #Update the network with our target values.
                        _ = sess.run(mainQN.updateModel, \
                            feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,0]),mainQN.targetQ:targetQ, mainQN.actions:trainBatch[:,1]})

                        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
                rAll += r
                s = s1

                if d == True:
                    break

            #Get all experiences from this episode and discount their rewards.
            myBuffer.add(episodeBuffer.buffer)
            rList.append(rAll)
            #Periodically save the model.
            if i>0 and i % 25 == 0:
                print('episode',i,', average reward of last 25 episode',np.mean(rList[-25:]))
            if i>0 and i % 1000 == 0:
                saver.save(sess,path+'/model-'+str(i)+'.cptk')
                print("Saved Model")            
        saver.save(sess,path+'/model-'+str(i)+'.cptk')
    #%%
    rMat = np.resize(np.array(rList),[len(rList)//100,100])
    rMean = np.average(rMat,1)
    plt.plot(rMean)

 

参考资料:
《TensorFlow实战》

欢迎付费咨询(150首位诸小时),我的微信:qingxingfengzi

相关文章