让模型学习到较新样本,学习Q-Learning模型用神经网络

Q-Learning,学习Action对应期望值(Expected
Utility)。1989年,沃特(Wat)kins提出。收敛性,1992年,Watkins和Dayan共同认证。学习期望价值,从近日一步到所有继续手续,总希望获取最大价值(Q值、Value)。Action->Q函数,最佳策略,在每个state下,选取Q值最高的Action。不依赖环境模型。有限马尔科(Marco)夫决策进度(马克ov
Dectision Process) ,Q-Learning被验证最后可以找到最优政策。

上学笔记TF038:完成估值网络,tf038估值

Q-Learning,学习Action对应期望值(Expected
Utility)。1989年,沃特kins指出。收敛性,1992年,沃特kins和Dayan共同认证。学习期望价值,从当下一步到具备继续手续,总希望得到最大价值(Q值、Value)。Action->Q函数,最佳策略,在每个state下,选取Q值最高的Action。不看重环境模型。有限Marco夫决策进程(马克(Mark)ov
Dectision Process) ,Q-Learning被证实最后可以找到最优政策。

Q-Learning目的,求解函数Q(st,at),依照当下环境气象,估计Action期望价值。Q-Learning训练模型,以(状态、行为、奖励、下一情景)构成元组(st,at,rt+1,st+1)样本陶冶,st当前场地,at当前场馆下执行action,rt+1执行Action后得到褒奖,st+1下一景色,(当前景色,行动,奖励,下一意况)。特征(st,at)。学习目的(期望价值)
rt+1+γ·maxaQ(st+1,a),当前Action得到Reward,加下一步可收获最大希望价值,当前状态行动奖励,加下一情景行动最大梦想价值。学习目标包括Q-Learning函数本身,递归求解。下一步可获最大期待价值乘γ(衰减全面discount
factor),以后嘉奖的求学权重。discount factor
0,模型学习不到任何将来奖励新闻,变短视,只关心眼前便宜。discount factor
>=
1,算法可能不可以磨灭,期望价值不断抬高没有衰减(discount),期望价值发散。discount
factor一般比1稍小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习进度式子。旧Q-Learning函数Qold(st,at),向学习目标(当前拿走Reward加下一步可获取最大梦想价值),按较小学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新得到样本音信覆盖率前左右到音信比率,经常设较小值,保险学习进程稳定,确保最终收敛性。Q-Learning须要早先值Q0,相比较高开始值,鼓励模型多探索。

学学Q-Learning模型用神经网络,获得模型是估值网络。用相比深的神经网络,就是DQN。GoogleDeepMind,《Nature》随想,《Human-level control through deep
reinforcement
learning》指出。DeepMind用DQN创立达标人类专家水平玩Atari2600系列游戏Agent。

state of the art DQN
Trick。第二个Trick。DQN引入卷积层。模型通过Atari游戏视频图像驾驭环境音讯并学习策略。DQN要求精晓接收图像,具有图像识别能力。卷积神经网络,利用可领取空间社团音讯卷积层抽取特征。卷积层提取图像中着重对象特征传给后层做分类、回归。DQN用卷积层做强化学习练习,按照条件图像输出决策。

其次个Trick。Experience Replay。深度学习须要大批量样本,传统Q-Learning
online
update方法(逐一对新样本学习)不吻合DQN。增大样本,六个epoch磨练,图像反复使用。Experience
Replay,储存Agent
Experience样本,每一回练习随机抽取部分样书供网络学习。稳定形成学习职分,幸免短视只学习最新接触样本,综合反复使用过往大量样书学习。创造储存Experience缓存buffer,储存一定量较新样本。容量满了,用新样本替换最旧样本,保险一大半样本相近概率被抽到。不替换旧样本,磨练进度被抽到概率永远比新样本高很多。每回必要陶冶样本,直接从buffer随机抽取一定量给DQN陶冶,保持样本高利用率,让模型学习到较新样本。

其七个Trick。用第七个DQN网络帮忙陶冶,target
DQN,援救总括目的Q值,提供就学目标公式里的maxaQ(st+1,a)。三个网络,一个成立学习目的,一个实际磨炼,让Q-Learning磨练目的保持安澜。强化学习
Q-Learning学习目的每回变更,学习目的分部是模型本身输出,每一次换代模型参数会招致学习目的转移,更新往往幅度大,锻练进程会要命不稳定、失控,DQN操练会陷于目的Q值与展望Q值反馈循环(陷入震荡发散,难消失)。要求安静target
DQN帮助网络统计目的Q值。target
DQN,低频率、缓慢学习,输出目的Q值波动较小,减小训练进程影响。

第4个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。传统DQN高估Action
Q值,高估不均匀,导致次优Action被高估超越最优Action。target DQN
负责生成目的Q值,先发生Q(st+1,a),再通过maxa选拔最大Q值。Double
DQN,在主DQN上经过最大Q值拔取Action,再拿走Action在target DQN
Q值。主网选拔Action,targetDQN生成Action
Q值。被挑选Q值,不自然总是最大,防止被高估次优Action总是超越最优Action,导致发现不了真正最好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。谷歌 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,一部分静态环境气象有所价值V(st),Value;另一片段动态拔取Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家统计环境Value和抉择Action
Advantage。Advantage,Action与其余Action比较,零均值。网络最终,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,得最后结果。让DQN学习目的更明了,假如当中期待价值首要由环境气象控制,Value值大,所有Advantage波动不大;假如期待价值主要由Action决定,Value值小,Advantage波动大。分解让学习目标更平稳、精确,DQN对环境景况推断能力更强。

心想事成带Trick DQN。义务环境
GridWorld导航类水言纟工。GridWorld包罗一个hero,4个goal,2个fire。控制hero移动,每趟向上、下、左、右方向活动一步,多触碰goal(奖励值1),避开fire(奖励值-1)。游戏目的,限度步数内获得最多分数。Agent
间接通过GridWorld图像学习决定hero移动最优政策。

创制GridWorld任务环境。载入看重库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,陶冶时间长,os定期储存模型文件。

创办环境内物体对象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,开首化方法只传入参数环境size。环境长、宽为输入size,环境Action
Space设4,起先化环境物体对象列表。self.reset()方法重置环境,获得开端observation(GridWorld图像),plt.imshow体现observation。

概念环境reset方法。创立所有GridWorld物体,1个hero(用户控制目标)、4个goal(reward
1)、2个fire(reward
-1),添加到物体对象列表self.objects。self.newPosition()成立物体地点,随机挑选没有被挤占新岗位。物有物体size、intensity
1,hero channel 2(黑色),goal channel 1(黑色),fire channel
0(蓝色)。self.renderEnv()绘制GridWorld图像,state。

落到实处活动英雄角色方法,传入值0、1、2、3三个数字,分别表示上、下、左、右。函数根据输入操作英雄移动。假设移动该方向会导致英雄出界,不会进展其余活动。

概念newPosition方法,选取一个跟现有物体不争执地点。itertools.product方法赢得多少个变量所有结成,成立环境size允许具备地方集合points,获取近日有着物体地方集合currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机抽取一个可用地方重回。

定义checkGoal函数。检查hero是否触碰goal、fire。从objects获取hero,其余物体对象放置others列表。编历others列表,如若物体和坐标与hero完全一致,判定触碰。根据触碰物体销毁,self.newPosition()方法在随心所欲地点再次生成物体,重临物体reward值(goal
1,fire -1)。

成立长宛size+2、颜色通道数 3
图片。开始值全1,代表全白色。最外侧内部像素颜色值全体赋0,代表肉色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原本大小resize
84x84x3尺寸,正常游玩图像尺寸。

概念GridWorld环境进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地方,self.checkGoal()检测hero是否触碰物体,获得reward、done标记。self.renderEnv获取环境图像state,重返state、reward、done。

调用gameEnv类开始化方法,设置size
5,创立5×5大小GridWorld环境,每便制造GridWorld环境随机变化。小尺寸环境相对不难学习,大尺寸较难,磨炼时间更长。

统筹DQN(Deep
Q-Network)网络。使用卷积层,可以间接从环境原始像素学习策略。输入scalarInput,扁平化长为84x84x3=21168向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创办第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开头化器空。用4×4幅度和VALID模型padding,第1层卷积输出维度20x20x32。第2层卷积尺寸4×4,步长2×2,输出通道数64,输出维度9x9x64。第3层卷积尺寸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,空间尺寸只同目的在于一个地点卷积,,输出维度1x1x512。

tf.split(),第4个卷积层输出conv4平均拆分两段,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2参数代表要拆分成几段。第3参数代表要拆分几个维度。tf.contrib.layers.flatten将streamAC和streamVC转遍平的steamA和steamV。创制streamA和streamV线性全连接层参数AW和VW。tf.random_normal伊始化权重,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,均值统计tf.reduce_mean函数(reduce_indices
1,代表Action数量维度)。最后输出Action,Q值最大Action,tf.argmax。

概念Double
DQN目的Q值targetQ输入placeholder,Agent动作actions输入placeholder。计算目标Q值,action由主DQN拔取,Q值由扶助target
DQN生成。统计预测Q值,scalar方式actions转onehot编码格局,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout和actions都源于主DQN)。

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

实现Experience Replay策略。定义experience_buffer
class。初叶化定义buffer_size存储样本最大容量,创设buffer列表。定义向经buffer添法郎素方法。假诺跨越buffer最大容量,清空最早样本,列表末尾添加新元素。定义样本抽样格局,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,方便后边堆叠样本。

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全体参数。tau,target
DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前一半参数,主DQN模型参数。再令帮忙targetDQN参数朝向主DQN参数前进很小比例(tau,0.001),target
DQN缓慢学习主DQN。陶冶时,目标Q值不可能在四遍迭代间波动太大,训练格外不安宁、失控,陷入目的Q值和展望Q值反馈循环。要求稳定目标Q值操练网络,缓慢学习target
DQN网络出口目的Q值,主网络优化目的Q值和预测Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创设立异target
DQN模型参数操作,函数updateTarget执行操作。

DQN网络磨练进程参数。batch_size,每一趟从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step执行三回模型参数更新,4。Q值衰减周详(discount
factor)γ,0.99。startE初叶执行随机Action概率。endE最终实施随机Action概率。anneling_steps从初步随机概率降到最后随机概率所需步数。num_episodes总共多少次GridWorld环境试验。pre_train_steps正式用DQN拔取Action前开展多少步随机Action测试。max_epLength每个episode举行多少步Action。load_model是否读取以前练习模型。path模型储存路径。h_size是DQN网络最终全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类初步化mainQN和协助targetQN。初始化所有模型参数。trainables获取具有可训练参数。updateTargetGraph创制创新target
DQN模型参数操作。

experience_buffer创立experience replay
class,设置当前随机Action概率e,计算e每一步衰减值stepDrop。先导化储存每个episode的reward列表rList,总步数total_steps。成立模型磨炼保存器(Saver)检查保存目录是否存在。

创制默许Session,即便load_model标志True,检查模型文件路径checkpoint,读取载入已保存模型。执行参数初叶化操作,执行更新targetQN模型参数操作。成立GridWorld试验循环,创制每个episode内部experience_buffer,内部buffer不插手当前迭代磨炼,训练只利用从前episode样本。伊始化环境得第一个环境音讯s,processState()函数扁平化。起头化默许done标记d、episode内总reward值rAll、episode内步数j。

成立内层循环,每一回迭代执行Action。总步数稍低于pre_train_steps,强制用随机Action,只从随机Action学习,不深化进度。达到pre_train_steps,保留较小概率随机接纳Action。不随机选拔Action,传入当前状态s给主DQN,预测获得相应执行Action。env.step()执行一步Action,获得接下来事态s1、reward、done标记。processState对s1扁平化处理,s、a、r、s1、d传入episodeBuffer存储。

总步数超越pre_train_steps,持续回落随机拔取Action概率e,直到最低值endE。每当总步数达到update_freq整数部,进行三次陶冶,模型参数更新。从myBuffer中sample出一个batch_size样本。陶冶样本第3列音信,下一情状s1,传入mainQN,执行main.predict,得到主模型接纳Action。s1传播协助targetQN,得到s1状态下具有Action的Q值。mainQN输出Action
,选拔targetQN输出Q,得到doubleQ。八个DQN网络把接纳Action和输出Q值八个操作分隔开,Double
DQN。陶冶样本第2列新闻,当前reward,加doubleQ乘以衰减周密γ,得到学习目标targetQ。传入当前状态s,学习目的targetQ和事实上行使Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完结三回操练进程。每个step截止,累计当前这步获取reward,更新当前场馆为下一步试验做准备。即使done标记为True,间接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作将来陶冶抽样数据集。当前episode
reward添加到rList。每25个episode体现平均reward值。每1000个episode或任何教练完毕,保存当前模型。

起来200个episode内,完全随机Action的前10000步内,平均可以拿走reward在2附近,基础baseline。

教练最后episode输出,平均reward 22,非凡大升高。

算算每100个episode平均reward,plt.plot浮现reward变化趋势。从第1000个episode初阶,reward飞速升高,到第4000个episode基本实现巅峰,前面进去平台期,升高不大。

    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》

迎接付费咨询(150元每小时),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,沃特(Wat)kins提议。收敛性,1992年,沃特(Wat)kins和Dayan共同证…

Q-Learning目的,求解函数Q(st,at),依据当下环境意况,估算Action期望价值。Q-Learning训练模型,以(状态、行为、奖励、下一景观)构成元组(st,at,rt+1,st+1)样本磨练,st当前景况,at当前处境下执行action,rt+1执行Action后得到褒奖,st+1下一情形,(当前事态,行动,奖励,下一情景)。特征(st,at)。学习目标(期望价值)
rt+1+γ·maxaQ(st+1,a),当前Action得到Reward,加下一步可收获最大期待价值,当前气象行动奖励,加下一景色行动最大梦想价值。学习目的包罗Q-Learning函数本身,递归求解。下一步可获最大期待价值乘γ(衰减周到discount
factor),未来嘉奖的就学权重。discount factor
0,模型学习不到此外以后奖励音讯,变短视,只关怀近期便宜。discount factor
>=
1,算法可能无法消灭,期望价值持续添加没有衰减(discount),期望价值发散。discount
factor一般比1稍小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习进度式子。旧Q-Learning函数Qold(st,at),向学习目的(当前得到Reward加下一步可收获最大希望价值),按较小学习速率α学习,得到新Q-Learning函数Qnew(st,at)。学习速率决定新取得样本音讯覆盖率前左右到音讯比率,通常设较小值,保险学习进程稳定,确保最终收敛性。Q-Learning须要早先值Q0,比较高初叶值,鼓励模型多探索。

读书Q-Learning模型用神经网络,获得模型是估值网络。用相比较深的神经网络,就是DQN。谷歌DeepMind,《Nature》随想,《Human-level control through deep
reinforcement
learning》提议。DeepMind用DQN创制达标人类专家水平玩Atari2600连串游戏Agent。

state of the art DQN
Trick。第二个Trick。DQN引入卷积层。模型通过Atari游戏视频图像了然环境新闻并学习策略。DQN需求精通接收图像,具有图像识别能力。卷积神经网络,利用可领取空间社团音讯卷积层抽取特征。卷积层提取图像中首要性对象特征传给后层做分类、回归。DQN用卷积层做强化学习陶冶,依据环境图像输出决策。

其次个Trick。Experience Replay。深度学习需求大批量样本,传统Q-Learning
online
update方法(逐一对新样本学习)不相符DQN。增大样本,两个epoch陶冶,图像反复使用。Experience
Replay,储存Agent
Experience样本,每一回磨练随机抽取部分样书供网络学习。稳定形成学习职务,幸免短视只学习最新接触样本,综合反复使用过往大量样本学习。成立储存Experience缓存buffer,储存一定量较新样本。容量满了,用新样本替换最旧样本,有限支撑半数以上样本相近概率被抽到。不替换旧样本,训练进度被抽到概率永远比新样本高很多。每回须要陶冶样本,直接从buffer随机抽取一定量给DQN训练,保持样本高利用率,让模型学习到较新样本。

其几个Trick。用第三个DQN网络扶助训练,target
DQN,帮衬计算指标Q值,提供学习目的公式里的maxaQ(st+1,a)。五个网络,一个打造学习目的,一个实在陶冶,让Q-Learning磨炼目标保持安静。强化学习
Q-Learning学习目的每便变更,学习目的分部是模型本身输出,每回换代模型参数会导致学习目的转移,更新往往幅度大,陶冶进程会那么些不安定、失控,DQN锻炼会深陷目标Q值与臆想Q值反馈循环(陷入震荡发散,难消失)。要求安静target
DQN支持网络统计目标Q值。target
DQN,低频率、缓慢学习,输出目的Q值波动较小,减小陶冶进度影响。

第4个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。传统DQN高估Action
Q值,高估不均匀,导致次优Action被高估超越最优Action。target DQN
负责生成目的Q值,先暴发Q(st+1,a),再通过maxa选取最大Q值。Double
DQN,在主DQN上通过最大Q值选用Action,再拿走Action在target DQN
Q值。主网选拔Action,targetDQN生成Action
Q值。被挑选Q值,不必然总是最大,防止被高估次优Action总是当先最优Action,导致发现不了真正最好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,一部分静态环境意况有所价值V(st),Value;另一片段动态拔取Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总括环境Value和挑选Action
Advantage。Advantage,Action与其余Action相比,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,得最后结果。让DQN学习目的更简明,假设当中期待价值主要由环境气象控制,Value值大,所有Advantage波动不大;如若期望价值紧要由Action决定,Value值小,Advantage波动大。分解让学习目标更平稳、精确,DQN对环境气象估量能力更强。

得以完成带Trick DQN。任务环境
GridWorld导航类水言纟工。GridWorld包罗一个hero,4个goal,2个fire。控制hero移动,每回向上、下、左、右方向活动一步,多触碰goal(奖励值1),避开fire(奖励值-1)。游戏目的,限度步数内得到最多分数。Agent
直接通过GridWorld图像学习决定hero移动最优政策。

制造GridWorld职责环境。载入重视库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,操练时间长,os定期储存模型文件。

始建环境内物体对象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)。

创造GridWorld环境class,初始化方法只传入参数环境size。环境长、宽为输入size,环境Action
Space设4,开首化环境物体对象列表。self.reset()方法重置环境,获得早先observation(GridWorld图像),plt.imshow显示observation。

概念环境reset方法。创制所有GridWorld物体,1个hero(用户控制目的)、4个goal(reward
1)、2个fire(reward
-1),添加到物体对象列表self.objects。self.newPosition()创设物体地点,随机挑选没有被占用新职分。物有物体size、intensity
1,hero channel 2(红色),goal channel 1(黑色),fire channel
0(蓝色)。self.renderEnv()绘制GridWorld图像,state。

落到实处移动英雄角色方法,传入值0、1、2、3七个数字,分别代表上、下、左、右。函数依照输入操作英雄移动。如果移动该方向会招致英雄出界,不会开展其余活动。

概念newPosition方法,选用一个跟现有物体不争论地方。itertools.product方法获得几个变量所有组成,创立环境size允许所有职位集合points,获取如今颇具物体地点集合currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机抽取一个可用地方再次回到。

定义checkGoal函数。检查hero是否触碰goal、fire。从objects获取hero,其他实体对象放置others列表。编历others列表,即使物体和坐标与hero完全一致,判定触碰。按照触碰物体销毁,self.newPosition()方法在随机地点再一次生成物体,再次来到物体reward值(goal
1,fire -1)。

创立长宛size+2、颜色通道数 3
图片。初始值全1,代表全白色。最外面内部像素颜色值全部赋0,代表青色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原来大小resize
84x84x3尺寸,正常游玩图像尺寸。

概念GridWorld环境举办一步Action方法。输入参数Action,self.moveChart(action)移动hero地方,self.checkGoal()检测hero是否触碰物体,获得reward、done标记。self.renderEnv获取环境图像state,再次回到state、reward、done。

调用gameEnv类起先化方法,设置size
5,创立5×5大小GridWorld环境,每回创造GridWorld环境随机变化。小尺寸环境相对容命理术数习,大尺寸较难,磨练时间更长。

设计DQN(Deep
Q-Network)网络。使用卷积层,可以直接从环境原始像素学习策略。输入scalarInput,扁平化长为84x84x3=21168向量,恢复生机成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创办第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伊始化器空。用4×4增幅和VALID模型padding,第1层卷积输出维度20x20x32。第2层卷积尺寸4×4,步长2×2,输出通道数64,输出维度9x9x64。第3层卷积尺寸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,空间尺寸只同目的在于一个职位卷积,,输出维度1x1x512。

tf.split(),第4个卷积层输出conv4平均拆分两段,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2参数代表要拆分成几段。第3参数代表要拆分几个维度。tf.contrib.layers.flatten将streamAC和streamVC转遍平的steamA和steamV。创设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针对环境统一的,输出数量
1。Q值由Value、advantage复合成,Value加上裁减均值Advantage。Advantage减去均值操作
tf.subtract,均值总结tf.reduce_mean函数(reduce_indices
1,代表Action数量维度)。最后输出Action,Q值最大Action,tf.argmax。

概念Double
DQN目的Q值targetQ输入placeholder,Agent动作actions输入placeholder。计算目的Q值,action由主DQN采用,Q值由支持target
DQN生成。计算预测Q值,scalar方式actions转onehot编码方式,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout和actions都出自主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。初叶化定义buffer_size存储样本最大容量,成立buffer列表。定义向经buffer添美元素方法。假诺超越buffer最大容量,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量样本。

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

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法立异模型参数)。输入变量tfVars,TensorFlow
Graph全体参数。tau,target
DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前一半参数,主DQN模型参数。再令协理targetDQN参数朝向主DQN参数前进很小比例(tau,0.001),target
DQN缓慢学习主DQN。陶冶时,目的Q值不可以在四次迭代间波动太大,操练万分不安定、失控,陷入目的Q值和预测Q值反馈循环。要求安静目标Q值训练网络,缓慢学习target
DQN网络出口目标Q值,主网络优化目的Q值和展望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创造立异target
DQN模型参数操作,函数updateTarget执行操作。

DQN网络陶冶过程参数。batch_size,每一趟从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step执行五回模型参数更新,4。Q值衰减周全(discount
factor)γ,0.99。startE开首执行随机Action概率。endE最终实施随机Action概率。anneling_steps从早先随机概率降到最后随机概率所需步数。num_episodes总共多少次GridWorld环境试验。pre_train_steps正式用DQN选拔Action前进行多少步随机Action测试。max_epLength每个episode进行多少步Action。load_model是否读取此前陶冶模型。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类早先化mainQN和扶助targetQN。开端化所有模型参数。trainables获取具有可磨炼参数。updateTargetGraph成立革新target
DQN模型参数操作。

experience_buffer创造experience replay
class,设置当前随机Action概率e,计算e每一步衰减值stepDrop。起头化储存每个episode的reward列表rList,总步数total_steps。创制模型陶冶保存器(Saver)检查保存目录是否留存。

创办默许Session,倘诺load_model标志True,检查模型文件路径checkpoint,读取载入已封存模型。执行参数开头化操作,执行更新targetQN模型参数操作。创造GridWorld试验循环,创造每个episode内部experience_buffer,内部buffer不参与当前迭代操练,操练只利用之前episode样本。初步化环境得第几个环境音信s,processState()函数扁平化。开端化默许done标记d、episode内总reward值rAll、episode内步数j。

始建内层循环,每一趟迭代执行Action。总步数紧跟于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧进程。达到pre_train_steps,保留较小概率随机挑选Action。不随机选拔Action,传入当前状态s给主DQN,预测获得应有执行Action。env.step()执行一步Action,得到接下来事态s1、reward、done标记。processState对s1扁平化处理,s、a、r、s1、d传入episodeBuffer存储。

总步数超越pre_train_steps,持续回落随机选拔Action概率e,直到最低值endE。每当总步数达到update_freq整数部,举办一遍磨炼,模型参数更新。从myBuffer中sample出一个batch_size样本。操练样本第3列音讯,下一状态s1,传入mainQN,执行main.predict,得到主模型采用Action。s1传开支持targetQN,获得s1状态下具有Action的Q值。mainQN输出Action
,选用targetQN输出Q,得到doubleQ。几个DQN网络把挑选Action和输出Q值七个操作分隔开,Double
DQN。训练样本第2列音讯,当前reward,加doubleQ乘以衰减周详γ,拿到读书目的targetQ。传入当前状态s,学习目标targetQ和实在使用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完毕一回练习进度。每个step甘休,累计当前那步获取reward,更新当前气象为下一步试验做准备。借使done标记为True,直接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作以后陶冶抽样数据集。当前episode
reward添加到rList。每25个episode显示平均reward值。每1000个episode或任何锻炼落成,保存当前模型。

初叶200个episode内,完全随机Action的前10000步内,平均可以博得reward在2附近,基础baseline。

锻练最终episode输出,平均reward 22,万分大提高。

算算每100个episode平均reward,plt.plot体现reward变化趋势。从第1000个episode开首,reward飞速进步,到第4000个episode基本达标巅峰,前面进去平台期,升高不大。

    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》

迎接付费咨询(150元每小时),我的微信:qingxingfengzi