让模型学习到较新样本,让模型学习到较新样本

Q-Learning,学习Action对应期望值(Expected
Utility)。1九捌六年,沃特kins提议。收敛性,一99四年,沃特kins和Dayan共同验证。学习期望价值,从脚下一步到独具继续手续,总希望得到最大价值(Q值、Value)。Action->Q函数,最棒策略,在每一种state下,选拔Q值最高的Action。不正视环境模型。有限Marco夫决策进度(马克ov
Dectision Process) ,Q-Learning被认证最后得以找到最优政策。

学习笔记TF038:达成估值互联网,tf038估值

Q-Learning,学习Action对应期望值(Expected
Utility)。1990年,沃特kins提议。收敛性,一9九伍年,Watkins和Dayan共同验证。学习期望价值,从脚下一步到独具继续手续,总希望得到最大价值(Q值、Value)。Action->Q函数,最棒策略,在各种state下,采纳Q值最高的Action。不依赖环境模型。有限马尔科夫决策进度(Markov
Dectision Process) ,Q-Learning被证实最后得以找到最优政策。

Q-Learning目的,求解函数Q(st,at),根据近来条件情形,臆想Action期望价值。Q-Learning操练模型,以(状态、行为、奖励、下一情况)构成元组(st,at,rt+1,st+1)样本操练,st当前景况,at当前状态下执行action,rt+壹执行Action后获得褒奖,st+一下一场合,(当前情景,行动,奖励,下一动静)。特征(st,at)。学习目的(期望价值)
rt+一+γ·maxaQ(st+一,a),当前Action得到Reward,加下一步可取得最大希望价值,当前意况行动奖励,加下一意况行动最大期待价值。学习目的包蕴Q-Learning函数本身,递归求解。下一步可获最大梦想价值乘γ(衰减全面discount
factor),未来嘉奖的求学权重。discount factor
0,模型学习不到其余以后奖励消息,变短视,只关怀当下便宜。discount factor
>=
一,算法只怕不可能消失,期望价值持续抬高没有衰减(discount),期望价值发散。discount
factor壹般比一稍小。Qnew(st,at)<-(壹-α)·Qold(st,at)+α·(rt+一+γ·maxaQ(st+一,a)),Q-Learning学习进度式子。旧Q-Learning函数Qold(st,at),向学习指标(当前拿走Reward加下一步可获取最大希望价值),按较小学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新收获样本音信覆盖率前左右到音讯比率,日常设较小值,保障学习进程稳定,确定保障最终收敛性。Q-Learning需求起先值Q0,比较高开端值,鼓励模型多探索。

读书Q-Learning模型用神经互连网,获得模型是估值网络。用比较深的神经互联网,正是DQN。谷歌(Google)DeepMind,《Nature》诗歌,《Human-level control through deep
reinforcement
learning》提议。DeepMind用DQN创制达到规定的标准人类专家水平玩Atari2600系列游戏Agent。

state of the art DQN
Trick。第二个Trick。DQN引进卷积层。模型通过Atari游戏摄像图像驾驭环境消息并学习策略。DQN供给理解接收图像,具有图像识别能力。卷积神经网络,利用可领到空间组织新闻卷积层抽取特征。卷积层提取图像中重要目的特征传给后层做分类、回归。DQN用卷积层做强化学习磨炼,根据环境图像输出决策。

其次个Trick。Experience Replay。深度学习需求多量样本,守旧Q-Learning
online
update方法(逐一对新样本学习)不切合DQN。增大样本,三个epoch演习,图像反复使用。Experience
Replay,储存Agent
Experience样本,每一次磨练随机抽取部分样本供网络学习。稳定形成学习义务,避免短视只学习最新接触样本,综合反复使用过往多量样本学习。创制储存Experience缓存buffer,储存一定量较新样本。体量满了,用新样本替换最旧样本,保障超越二分之一样本周围可能率被抽到。不替换旧样本,磨练进程被抽到概率永远比新样本高很多。每一趟必要磨炼样本,直接从buffer随机抽取一定量给DQN磨练,保持样本高利用率,让模型学习到较新样本。

其五个Trick。用第二个DQN网络扶助磨练,target
DQN,辅助总结目的Q值,提供学习目的公式里的maxaQ(st+1,a)。三个网络,2个创立学习指标,贰个实际练习,让Q-Learning陶冶指标保持安静。强化学习
Q-Learning学习目的每回变更,学习目的分部是模型本人输出,每回换代模型参数会造成学习指标转移,更新往往幅度大,演练进度会丰盛不安静、失控,DQN磨练会陷入目的Q值与测度Q值反馈循环(陷入震荡发散,难消失)。必要安静target
DQN支持互连网总括目的Q值。target
DQN,低频率、缓慢学习,输出指标Q值波动较小,减小练习进程影响。

第6个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。守旧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,首发生Q(st+一,a),再通过maxa采纳最大Q值。Double
DQN,在主DQN上经过最大Q值选择Action,再获得Action在target DQN
Q值。主网选拔Action,targetDQN生成Action
Q值。被增选Q值,不肯定总是最大,制止被高估次优Action总是超过最优Action,导致发现不了真正最棒Action。学习指标公式:Target=rt+1+γ·Qtarget(st+一,argmaxa(Qmain(st+①,a)))。

第两个Trick。Dueling DQN。谷歌 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,1部分静态环情有所价值V(st),Value;另一片段动态选拔Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总计环境Value和挑选Action
Advantage。Advantage,Action与别的Action比较,零均值。网络最后,不再直接输出Action数量Q值,输出二个Value,及Action数量
Advantage值。V值分别加到每种Advantage值上,得最后结果。让DQN学习目的更显明,假若当前可望价值重要由环境气象控制,Value值大,全数Advantage波动非常小;若是指望价值首要由Action决定,Value值小,Advantage波动大。分解让学习指标更安定、精确,DQN对环情估算能力更强。

落实带Trick DQN。职分环境
GridWorld导航类水言纟工。GridWorld包罗多少个hero,5个goal,贰个fire。控制hero移动,每便向上、下、左、右方向活动一步,多触碰goal(奖励值壹),避开fire(奖励值-壹)。游戏指标,限度步数内获得最多分数。Agent
直接通过GridWorld图像学习决定hero移动最优政策。

开创GridWorld职责环境。载入重视库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,练习时间长,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(SportageGB颜色通道)、reward(奖励值)、name(名称)。

始建GridWorld环境class,开端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,伊始化环境物体对象列表。self.reset()方法重置环境,得到开头observation(GridWorld图像),plt.imshow展现observation。

概念环境reset方法。成立全体GridWorld物体,二个hero(用户控制目的)、6个goal(reward
1)、一个fire(reward
-一),添加到实体对象列表self.objects。self.newPosition()创立物体地点,随机选拔未有被占据新岗位。物有物体size、intensity
壹,hero channel 2(中灰),goal channel 1(品红),fire channel
0(翠绿)。self.renderEnv()绘制GridWorld图像,state。

完结活动硬汉剧中人物方法,传入值0、一、贰、三多个数字,分别表示上、下、左、右。函数根据输入操作英豪移动。如若移动该方向会促成大侠出界,不会展开别的活动。

概念newPosition方法,选拔二个跟现有物体不争辨地方。itertools.product方法获得几个变量全部组成,创制环境size允许具备职位集合points,获取目前拥有物体地方集合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临。

定义checkGoal函数。检查hero是还是不是触碰goal、fire。从objects获取hero,别的物体对象放置others列表。编历others列表,若是物体和坐标与hero完全1致,判定触碰。遵照触碰物体销毁,self.newPosition()方法在随意地方再次生成物体,返回物体reward值(goal
1,fire -壹)。

创办长宛size+二、颜色通道数 3图片。开始值全壹,代表全黑色。最外侧内部像素颜色值全体赋0,代表青莲。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
8肆x八四x3尺寸,符合规律游玩图像尺寸。

概念GridWorld环境实行一步Action方法。输入参数Action,self.moveChart(action)移动hero地方,self.checkGoal()检查评定hero是或不是触碰物体,获得reward、done标记。self.renderEnv获取环境图像state,重回state、reward、done。

调用gameEnv类初叶化方法,设置size
五,创立伍x5大小GridWorld环境,每一趟创制GridWorld环境随机生成。小尺寸环境相对容命理术数习,大尺寸较难,陶冶时间越来越长。

陈设DQN(Deep
Q-Network)网络。使用卷积层,能够一向从环境原始像素学习策略。输入scalarInput,扁平化长为8四x8肆x三=2116捌向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution二d创立第一个卷积层,卷积核尺寸捌x八,步长四x四,输出通道数(filter数量)3贰,padding模型VALID,bias初阶化器空。用四x四增幅和VALID模型padding,第三层卷积输出维度20x20x32。第三层卷积尺寸肆x四,步长二x二,输出通道数64,输出维度九x九x6四。第一层卷积尺寸三x三,步长壹x一,输出通道数6四,输出维度柒x7x6肆。第四层卷积尺寸柒x7,步长一x一,输出通道数51二,空间尺寸只允许在四个职位卷积,,输出维度1x一x51二。

tf.split(),第5个卷积层输出conv肆平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的市场股票总值)和Value
Function(环境自己价值)。tf.split函数第二参数代表要拆分成几段。第1参数代表要拆分多少个维度。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早先化权重,tf.matmul做全连接层矩阵乘法,获得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
壹。Q值由Value、advantage复合成,Value加上减弱均值Advantage。Advantage减去均值操作
tf.subtract,均值总括tf.reduce_mean函数(reduce_indices
1,代表Action数量维度)。最终输出Action,Q值最大Action,tf.argmax。

概念Double
DQN指标Q值targetQ输入placeholder,Agent动作actions输入placeholder。总括指标Q值,action由主DQN选用,Q值由扶助target
DQN生成。总计预测Q值,scalar方式actions转onehot编码情势,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总计targetQ和Q均方相对误差,学习速率壹e-4Adam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存款和储蓄样本最大体积,创设buffer列表。定义向经buffer添澳成分方法。假设当先buffer最大体积,清空最早样本,列表末尾添加新成分。定义样本抽样形式,用random.sample()函数随机抽取一定数量样本。

概念八四x捌肆x三 states扁平化 一维向量函数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方法革新模型参数)。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1/2参数,主DQN模型参数。再令帮衬targetDQN参数朝向主DQN参数前进极小比例(tau,0.00一),target
DQN缓慢学习主DQN。陶冶时,指标Q值不可能在一回迭代间波动太大,磨炼10分不平稳、失控,陷入目的Q值和展望Q值反馈循环。须要稳定目的Q值操练网络,缓慢学习target
DQN互连网出口指标Q值,主互联网优化指标Q值和预测Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创立立异target
DQN模型参数操作,函数updateTarget执行操作。

DQN互连网磨练进度参数。batch_size,每一趟从experience
buffer获取样本数,3二。更新频率update_freq,每隔多少step执行3遍模型参数更新,四。Q值衰减周密(discount
factor)γ,0.9玖。startE初阶执行随机Action可能率。endE最后实施随机Action概率。anneling_steps从开首随机可能率降到最终随机可能率所需步数。num_episodes总共多少次GridWorld环境试验。pre_train_steps正式用DQN采用Action前开始展览多少步随机Action测试。max_epLength每种episode进行多少步Action。load_model是还是不是读取从前磨练模型。path模型储存路径。h_size是DQN互连网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和帮忙targetQN。初阶化全数模型参数。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创制experience replay
class,设置当前随机Action概率e,总括e每一步衰减值stepDrop。开首化储存每一种episode的reward列表rList,总步数total_steps。创设模型练习保存器(Saver)检查保存目录是还是不是留存。

创设默许Session,固然load_model标志True,检查模型文件路径checkpoint,读取载入已封存模型。执行参数初阶化操作,执行更新targetQN模型参数操作。创建GridWorld试验循环,创制各样episode内部experience_buffer,内部buffer不加入当前迭代替训练练,陶冶只使用在此之前episode样本。开始化环境得第伍个条件音讯s,processState()函数扁平化。开始化暗许done标记d、episode内总reward值rAll、episode内步数j。

成立内层循环,每趟迭代执行Action。总步数稍低于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧进度。达到pre_train_steps,保留较小可能率随机接纳Action。不随机选拔Action,传入当前状态s给主DQN,预测得到应该执行Action。env.step()执行一步Action,拿到接下来事态s一、reward、done标记。processState对s一扁平化处理,s、a、r、s1、d传入episodeBuffer存款和储蓄。

总步数超过pre_train_steps,持续下跌随机采纳Action可能率e,直到最低值endE。每当总步数达到update_freq整数部,进行3遍陶冶,模型参数更新。从myBuffer中sample出贰个batch_size样本。陶冶样本第2列音信,下一状态s一,传入mainQN,执行main.predict,获得主模型选取Action。s1传唱帮忙targetQN,获得s一状态下具有Action的Q值。mainQN输出Action
,选拔targetQN输出Q,得到doubleQ。两个DQN互连网把选择Action和出口Q值多少个操作分隔开分离,Double
DQN。操练样本第一列新闻,当前reward,加doubleQ乘以衰减周详γ,得到读书指标targetQ。传入当前状态s,学习目的targetQ和骨子里应用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完毕3遍磨练进度。每一个step甘休,累计当前这步获取reward,更新当前状态为下一步试验做准备。假诺done标记为True,直接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作将来演习抽样数据集。当前episode
reward添加到rList。每贰八个episode体现平均reward值。每1000个episode或任何教练成功,保存当前模型。

开班200个episode内,完全随机Action的前一千0步内,平均可以赢得reward在二相邻,基础baseline。

教练最终episode输出,平均reward 2二,非常大提高。

算算每917个episode平均reward,plt.plot展现reward变化趋势。从第700个episode初阶,reward飞快提高,到第四千个episode基本达到顶峰,后边进去平台期,提高非常小。

    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元每时辰),作者的微信: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)。一988年,沃特kins建议。收敛性,一九玖三年,沃特kins和Dayan共同证…

Q-Learning目的,求解函数Q(st,at),根据当下条件气象,测度Action期望价值。Q-Learning操练模型,以(状态、行为、奖励、下一情状)构成元组(st,at,rt+1,st+一)样本磨练,st当前事态,at当前事态下执行action,rt+1执行Action后获取褒奖,st+一下一状态,(当前状态,行动,奖励,下一场所)。特征(st,at)。学习指标(期望价值)
rt+一+γ·maxaQ(st+一,a),当前Action得到Reward,加下一步可获得最大期待价值,当前景色行动奖励,加下一景色行动最大希望价值。学习指标蕴含Q-Learning函数自己,递归求解。下一步可获最大期待价值乘γ(衰减周全discount
factor),以后嘉奖的学习权重。discount factor
0,模型学习不到别的今后奖励音讯,变短视,只关心眼下便宜。discount factor
>=
1,算法大概不能磨灭,期望价值不断添加未有衰减(discount),期望价值发散。discount
factor一般比一稍小。Qnew(st,at)<-(一-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+一,a)),Q-Learning学习进程式子。旧Q-Learning函数Qold(st,at),向学习目的(当前赢得Reward加下一步可收获最大梦想价值),按较小学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新获得样本消息覆盖率前左右到消息比率,平日设较小值,有限援救学习进度稳定,确定保证最后收敛性。Q-Learning须求起初值Q0,比较高开始值,鼓励模型多探索。

上学Q-Learning模型用神经互联网,得到模型是估值互联网。用比较深的神经网络,正是DQN。谷歌DeepMind,《Nature》散文,《Human-level control through deep
reinforcement
learning》建议。DeepMind用DQN创造达到规定的标准人类专家水平玩Atari2600体系游戏Agent。

state of the art DQN
Trick。第二个Trick。DQN引进卷积层。模型通过Atari游戏录像图像精通环境新闻并学习策略。DQN必要知道接收图像,具有图像识别能力。卷积神经网络,利用可领取空间协会新闻卷积层抽取特征。卷积层提取图像中注重目的特征传给后层做分类、回归。DQN用卷积层做强化学习练习,依据条件图像输出决策。

第三个Trick。Experience Replay。深度学习要求大量样书,守旧Q-Learning
online
update方法(逐1对新样本学习)不符合DQN。增大样本,八个epoch磨练,图像反复使用。Experience
Replay,储存Agent
Experience样本,每便锻练随机抽取部分样书供网络学习。稳定形成学习任务,制止短视只学习最新接触样本,综合反复使用过往大批量样书学习。创设储存Experience缓存buffer,储存一定量较新样本。体积满了,用新样本替换最旧样本,保障大多数样本周边可能率被抽到。不替换旧样本,陶冶进程被抽到概率永远比新样本高很多。每一次须要磨练样本,直接从buffer随机抽取一定量给DQN演练,保持样本高利用率,让模型学习到较新样本。

其八个Trick。用第一个DQN互连网支持陶冶,target
DQN,协理总括目的Q值,提供就学目的公式里的maxaQ(st+一,a)。多少个网络,1个创制学习目的,三个事实上训练,让Q-Learning练习目的保持安澜。强化学习
Q-Learning学习指标每一遍变更,学习目的分部是模型自个儿输出,每回换代模型参数会导致学习指标转移,更新往往幅度大,锻炼进度会特别不安定、失控,DQN练习会沦为指标Q值与猜想Q值反馈循环(陷入震荡发散,难消失)。需求稳定target
DQN协助互联网总结指标Q值。target
DQN,低频率、缓慢学习,输出指标Q值波动较小,减小演练进度影响。

第伍个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。守旧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,先爆发Q(st+一,a),再经过maxa选取最大Q值。Double
DQN,在主DQN上通过最大Q值选拔Action,再赢得Action在target DQN
Q值。主网选拔Action,targetDQN生成Action
Q值。被增选Q值,不必然总是最大,幸免被高估次优Action总是超越最优Action,导致发现不了真正最佳Action。学习指标公式:Target=rt+一+γ·Qtarget(st+壹,argmaxa(Qmain(st+一,a)))。

第几个Trick。Dueling DQN。谷歌(Google) 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,一部分静态环境情状有所价值V(st),Value;另一有的动态选取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和采纳Action
Advantage。Advantage,Action与别的Action相比较,零均值。网络最后,不再直接输出Action数量Q值,输出二个Value,及Action数量
Advantage值。V值分别加到各类Advantage值上,得最后结果。让DQN学习指标更简明,假如当前梦想价值首要由环情控制,Value值大,全部Advantage波动十分小;倘使希望价值首要由Action决定,Value值小,Advantage波动大。分解让学习目的更安宁、精确,DQN对环境景况臆想能力更加强。

兑现带Trick DQN。任务环境
GridWorld导航类水言纟工。GridWorld包罗几个hero,五个goal,一个fire。控制hero移动,每一趟向上、下、左、右方向移动一步,多触碰goal(奖励值一),避开fire(奖励值-一)。游戏目的,限度步数内拿到最多分数。Agent
直接通过GridWorld图像学习决定hero移动最优政策。

创办GridWorld职分环境。载入依赖库,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。

创造环境内物体对象class。环境物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(福睿斯GB颜色通道)、reward(奖励值)、name(名称)。

开创GridWorld环境class,开端化方法只传入参数环境size。环境长、宽为输入size,环境Action
Space设肆,初阶化环境物体对象列表。self.reset()方法重置环境,获得开始observation(GridWorld图像),plt.imshow体现observation。

概念环境reset方法。创立全体GridWorld物体,3个hero(用户控制指标)、四个goal(reward
1)、三个fire(reward
-壹),添加到实体对象列表self.objects。self.newPosition()创造物体地方,随机选用未有被挤占新岗位。物有物体size、intensity
1,hero channel 贰(浅绿灰),goal channel 一(栗色),fire channel
0(紫浅灰褐)。self.renderEnv()绘制GridWorld图像,state。

落到实处活动英豪角色方法,传入值0、一、二、三多少个数字,分别表示上、下、左、右。函数遵照输入操作硬汉移动。假诺移动该方向会导致硬汉出界,不会进展其余活动。

概念newPosition方法,采取二个跟现有物体不争论地方。itertools.product方法赢得多少个变量全数结成,创立环境size允许持有职位集合points,获取近来持有物体地方集合currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽取一个可用地方重回。

定义checkGoal函数。检查hero是或不是触碰goal、fire。从objects获取hero,别的物体对象放置others列表。编历others列表,借使物体和坐标与hero完全壹致,判定触碰。遵照触碰物体销毁,self.newPosition()方法在任意地点再次生成物体,再次来到物体reward值(goal
1,fire -壹)。

始建长宛size+二、颜色通道数 三图片。开头值全一,代表全石绿。最外侧内部像素颜色值全体赋0,代表浅米灰。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原始大小resize
8四x8四x3尺寸,经常游玩图像尺寸。

概念GridWorld环境举办一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检查评定hero是不是触碰物体,获得reward、done标记。self.renderEnv获取环境图像state,重回state、reward、done。

调用gameEnv类先河化方法,设置size
5,创制五x伍大小GridWorld环境,每便创制GridWorld环境随机生成。小尺寸环境相对容易学习,大尺寸较难,陶冶时间更加长。

统筹DQN(Deep
Q-Network)互联网。使用卷积层,能够一向从环境原始像素学习策略。输入scalarInput,扁平化长为八四x八四x三=2116捌向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution二d创办第二个卷积层,卷积核尺寸8x八,步长四x四,输出通道数(filter数量)3二,padding模型VALID,bias起先化器空。用四x四上升幅度和VALID模型padding,第1层卷积输出维度20x20x3二。第贰层卷积尺寸四x四,步长二x二,输出通道数6四,输出维度玖x玖x6四。第一层卷积尺寸3x③,步长1x壹,输出通道数64,输出维度7x7x64。第四层卷积尺寸7×7,步长一x壹,输出通道数51贰,空间尺寸只同目的在于一个职分卷积,,输出维度1x1x512。

tf.split(),第多个卷积层输出conv四平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的价值)和Value
Function(环境本人价值)。tf.split函数第2参数代表要拆分成几段。第三参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。创造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加上减弱均值Advantage。Advantage减去均值操作
tf.subtract,均值计算tf.reduce_mean函数(reduce_indices
一,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。总计指标Q值,action由主DQN选用,Q值由扶助target
DQN生成。总计预测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计算targetQ和Q均方标称误差,学习速率一e-4Adam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。早先化定义buffer_size存款和储蓄样本最大容积,创立buffer列表。定义向经buffer添澳成分方法。要是跨越buffer最大容积,清空最早样本,列表末尾添加新成分。定义样本抽样方式,用random.sample()函数随机抽取一定数量样本。

概念八四x8四x三 states扁平化 一维向量函数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方法革新模型参数)。输入变量tfVars,TensorFlow
Graph全部参数。tau,target
DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前百分之五十参数,主DQN模型参数。再令援救targetDQN参数朝向主DQN参数前进非常小比例(tau,0.001),target
DQN缓慢学习主DQN。练习时,指标Q值不可能在五回迭代间波动太大,磨练11分不安宁、失控,陷入目的Q值和预测Q值反馈循环。须求安静指标Q值练习网络,缓慢学习target
DQN互连网出口目的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创设立异target
DQN模型参数操作,函数updateTarget执行操作。

DQN网络磨炼进度参数。batch_size,每便从experience
buffer获取样本数,3贰。更新频率update_freq,每隔多少step执行三回模型参数更新,四。Q值衰减周到(discount
factor)γ,0.9玖。startE最先执行随机Action可能率。endE最后实施随机Action可能率。anneling_steps从起先随机概率降到最后随机可能率所需步数。num_episodes总共多少次GridWorld环境试验。pre_train_steps正式用DQN选取Action前实行多少步随机Action测试。max_epLength每种episode进行多少步Action。load_model是否读取在此以前陶冶模型。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类伊始化mainQN和协理targetQN。初步化全部模型参数。trainables获取具有可磨练参数。updateTargetGraph创制革新target
DQN模型参数操作。

experience_buffer创设experience replay
class,设置当前随机Action可能率e,计算e每一步衰减值stepDrop。先河化储存各类episode的reward列表rList,总步数total_steps。创制模型演练保存器(Saver)检查保存目录是不是存在。

开创暗中认可Session,假若load_model标志True,检查模型文件路径checkpoint,读取载入已保存模型。执行参数起先化操作,执行更新targetQN模型参数操作。创制GridWorld试验循环,成立每种episode内部experience_buffer,内部buffer不参预当前迭代磨炼,演练只行使以前episode样本。初阶化环境得第3个环境新闻s,processState()函数扁平化。开始化暗中同意done标记d、episode内总reward值rAll、episode内步数j。

创设内层循环,每一遍迭代执行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,保留较小可能率随机挑选Action。不随机采取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,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存款和储蓄。

总步数超越pre_train_steps,持续下滑随机挑选Action可能率e,直到最低值endE。每当总步数达到update_freq整数部,进行一回磨练,模型参数更新。从myBuffer中sample出1个batch_size样本。陶冶样本第一列信息,下一情景s一,传入mainQN,执行main.predict,获得主模型选取Action。s1传出协助targetQN,得到s一状态下拥有Action的Q值。mainQN输出Action
,选择targetQN输出Q,获得doubleQ。三个DQN网络把挑选Action和输出Q值五个操作分隔断,Double
DQN。磨练样本第1列消息,当前reward,加doubleQ乘以衰减周全γ,获得学习目标targetQ。传入当前状态s,学习目的targetQ和实际行使Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完毕一遍陶冶进程。每一个step甘休,累计当前这步获取reward,更新当前地方为下一步试验做准备。要是done标记为True,间接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作今后陶冶抽样数据集。当前episode
reward添加到rList。每2六个episode突显平均reward值。每一千个episode或任何练习实现,保存当前模型。

开始200个episode内,完全随机Action的前10000步内,平均能够博得reward在二紧邻,基础baseline。

练习最终episode输出,平均reward 2贰,相当的大升高。

估测计算每9二十一个episode平均reward,plt.plot体现reward变化趋势。从第八00个episode发轫,reward快捷进步,到第4000个episode基本达到规定的标准巅峰,前面进去平台期,进步相当小。

    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元每刻钟),作者的微信:qingxingfengzi

相关文章