福寿无疆估值网络,学习笔记TF03八

Q-Learning,学习Action对应期望值(Expected
Utility)。1988年,沃特kins建议。收敛性,1993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,最棒策略,在每一个state下,接纳Q值最高的Action。不依赖环境模型。有限马尔科夫决策进度(马克ov
Dectision Process) ,Q-Learning被验证最终能够找到最优政策。

上学笔记TF03八:达成估值网络,tf03八估值

Q-Learning,学习Action对应期望值(Expected
Utility)。一玖八陆年,沃特kins提议。收敛性,1玖九肆年,Watkins和Dayan共同认证。学习期望价值,从当下一步到具备继续手续,总希望获得最大价值(Q值、Value)。Action->Q函数,最棒策略,在各样state下,选拔Q值最高的Action。不正视环境模型。有限马尔科夫决策进程(马克ov
Dectision Process) ,Q-Learning被认证最后能够找到最优政策。

Q-Learning指标,求解函数Q(st,at),依照当前环境气象,猜测Action期望价值。Q-Learning练习模型,以(状态、行为、奖励、下一情景)构成元组(st,at,rt+一,st+一)样本磨练,st当前情景,at当前情景下执行action,rt+壹执行Action后取得奖励,st+一下一动静,(当前气象,行动,奖励,下一气象)。特征(st,at)。学习指标(期望价值)
rt+一+γ·maxaQ(st+1,a),当前Action获得Reward,加下一步可得到最大期待价值,当前事态行动奖励,加下一处境行动最大希望价值。学习目的包蕴Q-Learning函数本人,递归求解。下一步可获最大期待价值乘γ(衰减周密discount
factor),今后奖励的读书权重。discount factor
0,模型学习不到任何现在嘉奖消息,变短视,只关切日前补益。discount factor
>=
一,算法恐怕无法磨灭,期望价值持续增加未有衰减(discount),期望价值发散。discount
factor1般比一稍小。Qnew(st,at)<-(一-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),向学习指标(当前到手Reward加下一步可取得最大梦想价值),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新闻覆盖率前左右到新闻比率,平时设较小值,保险学习进度稳定,确定保障最终收敛性。Q-Learning须求初叶值Q0,比较高伊始值,鼓励模型多探索。

读书Q-Learning模型用神经网络,获得模型是估值互联网。用相比较深的神经互连网,正是DQN。谷歌(Google)DeepMind,《Nature》杂谈,《Human-level control through deep
reinforcement
learning》建议。DeepMind用DQN制造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。第多少个Trick。DQN引进卷积层。模型通过Atari游戏摄像图像了然环境音讯并学习策略。DQN需求掌握接收图像,具有图像识别能力。卷积神经网络,利用可领取空间组织音讯卷积层抽取特征。卷积层提取图像中要害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。

其次个Trick。Experience Replay。深度学习须要大批量样本,古板Q-Learning
online
update方法(逐一对新样本学习)不切合DQN。增大样本,多少个epoch训练,图像反复使用。Experience
Replay,储存Agent
Experience样本,每一回陶冶随机抽取部分样本供互连网学习。稳定形成学习职责,幸免短视只学习最新接触样本,综合反复使用过往大批量样本学习。创造储存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,有限补助当先五成样本周围概率被抽到。不替换旧样本,陶冶进度被抽到可能率永远比新样本高很多。每趟必要磨炼样本,直接从buffer随机抽取一定量给DQN磨炼,保持样本高利用率,让模型学习到较新样本。

其四个Trick。用第三个DQN网络协理练习,target
DQN,协助总计指标Q值,提供学习指标公式里的maxaQ(st+1,a)。四个互联网,3个成立学习指标,3个其实验和培养和练习练,让Q-Learning磨练指标保持安静。强化学习
Q-Learning学习指标每一遍变更,学习指标分部是模型本身输出,每一遍换代模型参数会造成学习指标转移,更新往往幅度大,练习进程会充裕不安静、失控,DQN练习会沦为目的Q值与估计Q值反馈循环(陷入震荡发散,难消失)。要求安静target
DQN协理网络计算目的Q值。target
DQN,低频率、缓慢学习,输出目的Q值波动较小,减小磨炼进程影响。

第四个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。古板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
负责生成指标Q值,头阵生Q(st+一,a),再通过maxa选拔最大Q值。Double
DQN,在主DQN上经过最大Q值接纳Action,再拿走Action在target DQN
Q值。主网采取Action,targetDQN生成Action
Q值。被增选Q值,不肯定总是最大,幸免被高估次优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+一+γ·Qtarget(st+壹,argmaxa(Qmain(st+1,a)))。

第六个Trick。Dueling DQN。谷歌(Google) 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,壹部分静态环情有所价值V(st),Value;另壹有的动态选拔Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总结环境Value和甄选Action
Advantage。Advantage,Action与其余Action相比,零均值。互连网最后,不再直接输出Action数量Q值,输出多个Value,及Action数量
Advantage值。V值分别加到各种Advantage值上,得最终结果。让DQN学习指标更通晓,要是当前可望价值首要由环境景况控制,Value值大,全部Advantage波动一点都不大;假如期望价值首要由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。

兑现带Trick DQN。职责环境
GridWorld导航类水言纟工。GridWorld包括1个hero,陆个goal,一个fire。控制hero移动,每一回向上、下、左、右方向活动一步,多触碰goal(奖励值壹),避开fire(奖励值-一)。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。

开创GridWorld任务环境。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(牧马人GB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设四,初阶化环境物体对象列表。self.reset()方法重置环境,得到初叶observation(GridWorld图像),plt.imshow展示observation。

概念环境reset方法。创造全数GridWorld物体,3个hero(用户控制指标)、五个goal(reward
壹)、1个fire(reward
-一),添加到实体对象列表self.objects。self.newPosition()创制物体地点,随机选用没有被占据新岗位。物有物体size、intensity
1,hero channel 二(铁红),goal channel 1(高粱红),fire channel
0(深青莲)。self.renderEnv()绘制GridWorld图像,state。

落实活动铁汉剧中人物方法,传入值0、一、二、3四个数字,分别表示上、下、左、右。函数依照输入操作铁汉移动。如若移动该方向会促成豪优异界,不会展开其余活动。

概念newPosition方法,选取三个跟现有物体不争辨地点。itertools.product方法获得多少个变量全数组成,创设环境size允许具备职位集合points,获取近日享有物体地方集合currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽取1个可用地点重临。

定义checkGoal函数。检查hero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,假使物体和坐标与hero完全1致,判定触碰。依据触碰物体销毁,self.newPosition()方法在随意地点再次生成物体,重临物体reward值(goal
1,fire -一)。

创设长宛size+二、颜色通道数 3图片。早先值全一,代表全蓝灰。最外侧内部像素颜色值全体赋0,代表海军蓝。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
捌4x八肆x三尺寸,不奇怪游玩图像尺寸。

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()检验hero是或不是触碰物体,得到reward、done标记。self.renderEnv获取环境图像state,重临state、reward、done。

调用gameEnv类初始化方法,设置size
5,创造5x伍大小GridWorld环境,每便创建GridWorld环境随机生成。小尺寸环境绝对容易学习,大尺寸较难,陶冶时间越来越长。

安插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八④x三=2116八向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution二d创设第贰个卷积层,卷积核尺寸八x8,步长4x四,输出通道数(filter数量)3二,padding模型VALID,bias早先化器空。用4x四小幅和VALID模型padding,第二层卷积输出维度20x20x3二。第一层卷积尺寸肆x四,步长二x二,输出通道数6四,输出维度九x玖x6四。第1层卷积尺寸三x三,步长一x一,输出通道数64,输出维度七x7x6四。第陆层卷积尺寸柒x七,步长一x1,输出通道数512,空间尺寸只允许在2个地点卷积,,输出维度1x1x51贰。

tf.split(),第五个卷积层输出conv四平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的股票总市值)和Value
Function(环境自身价值)。tf.split函数第3参数代表要拆分成几段。第一参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起初化权重,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
一。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,均值总结tf.reduce_mean函数(reduce_indices
一,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。总括目的Q值,action由主DQN选拔,Q值由协理target
DQN生成。总括预测Q值,scalar情势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都来源于主DQN)。

定义loss,tf.square、tf.reduce_mean计算targetQ和Q均方抽样误差,学习速率1e-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。开首化定义buffer_size存款和储蓄样本最大体量,创设buffer列表。定义向经buffer添日币素方法。假如跨越buffer最大体积,清空最早样本,列表末尾添加新成分。定义样本抽样格局,用random.sample()函数随机抽取一定数量样本。

概念八四x八4x三 states扁平化 1维向量函数processState,方便前边堆叠样本。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法立异模型参数)。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前二分之一参数,主DQN模型参数。再令协助targetDQN参数朝向主DQN参数前进相当小比例(tau,0.00一),target
DQN缓慢学习主DQN。陶冶时,指标Q值不可能在一次迭代间波动太大,磨炼十一分不平稳、失控,陷入目的Q值和预测Q值反馈循环。供给稳定指标Q值磨炼网络,缓慢学习target
DQN互联网出口目的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创设创新target
DQN模型参数操作,函数updateTarget执行操作。

DQN互联网磨练进度参数。batch_size,每一趟从experience
buffer获取样本数,3贰。更新频率update_freq,每隔多少step执行3次模型参数更新,四。Q值衰减周到(discount
factor)γ,0.99。startE开头执行随机Action概率。endE最后实施随机Action可能率。anneling_steps从初步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选择Action前进行多少步随机Action测试。max_epLength每种episode举办多少步Action。load_model是还是不是读取以前练习模型。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类初阶化mainQN和帮助targetQN。初步化全体模型参数。trainables获取具有可训练参数。updateTargetGraph创造革新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,总计e每一步衰减值stepDrop。初始化储存每种episode的reward列表rList,总步数total_steps。创立模型练习保存器(Saver)检查保存目录是或不是留存。

始建暗许Session,假若load_model标志True,检查模型文件路径checkpoint,读取载入已封存模型。执行参数开首化操作,执行更新targetQN模型参数操作。创制GridWorld试验循环,成立每一种episode内部experience_buffer,内部buffer不出席当前迭代替练习练,磨炼只利用此前episode样本。早先化环境得第3个环境消息s,processState()函数扁平化。起先化私下认可done标记d、episode内总reward值rAll、episode内步数j。

开创内层循环,每回迭代执行Action。总步数稍低于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧进度。达到pre_train_steps,保留较小概率随机挑选Action。不随机选取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s一、reward、done标记。processState对s1扁平化处理,s、a、r、s壹、d传入episodeBuffer存款和储蓄。

总步数超越pre_train_steps,持续降低随机挑选Action可能率e,直到最低值endE。每当总步数达到update_freq整数部,实行三遍练习,模型参数更新。从myBuffer中sample出1个batch_size样本。陶冶样本第1列消息,下一气象s1,传入mainQN,执行main.predict,获得主模型选拔Action。s一传唱协助targetQN,得到s1状态下有所Action的Q值。mainQN输出Action
,选用targetQN输出Q,获得doubleQ。多个DQN网络把选用Action和出口Q值四个操作分隔离,Double
DQN。磨炼样本第二列音信,当前reward,加doubleQ乘以衰减周到γ,得到读书目的targetQ。传入当前状态s,学习目的targetQ和实在利用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完结三回练习进程。种种step截止,累计当前那步获取reward,更新当前境况为下一步试验做准备。即便done标记为True,直接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作未来练习抽样数据集。当前episode
reward添加到rList。每二四个episode展示平均reward值。每一千个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10000步内,平均能够收获reward在贰邻座,基础baseline。

教练最终episode输出,平均reward 2二,非常的大提高。

计量每玖拾陆个episode平均reward,plt.plot展现reward变化趋势。从第900个episode开头,reward神速进步,到第陆000个episode基本达到规定的标准巅峰,前边进去平台期,进步非常小。

    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》

欢迎付费咨询(150元每小时),小编的微信: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)。198八年,沃特kins提出。收敛性,壹九92年,沃特kins和Dayan共同证…

Q-Learning目的,求解函数Q(st,at),根据当前条件情形,推测Action期望价值。Q-Learning训练模型,以(状态、行为、奖励、下一动静)构成元组(st,at,rt+一,st+一)样本练习,st当前气象,at当前气象下执行action,rt+一执行Action后拿走褒奖,st+1下壹意况,(当前处境,行动,奖励,下1情况)。特征(st,at)。学习指标(期望价值)
rt+一+γ·maxaQ(st+一,a),当前Action获得Reward,加下一步可获得最大希望价值,当前状态行动奖励,加下1情景行动最大梦想价值。学习指标包罗Q-Learning函数本人,递归求解。下一步可获最大希望价值乘γ(衰减周到discount
factor),以往嘉奖的学习权重。discount factor
0,模型学习不到其余今后奖励音信,变短视,只关怀目前便宜。discount factor
>=
壹,算法或许不能够消灭,期望价值持续添加没有衰减(discount),期望价值发散。discount
factor1般比1稍小。Qnew(st,at)<-(一-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+壹,a)),Q-Learning学习进程式子。旧Q-Learning函数Qold(st,at),向学习目的(当前收获Reward加下一步可收获最大期待价值),按较小学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新取得样本信息覆盖率前左右到新闻比率,常常设较小值,保证学习进度稳定,确认保证最后收敛性。Q-Learning须要初叶值Q0,相比高伊始值,鼓励模型多探索。

学习Q-Learning模型用神经网络,获得模型是估值网络。用相比较深的神经互联网,正是DQN。谷歌(Google)DeepMind,《Nature》故事集,《Human-level control through deep
reinforcement
learning》建议。DeepMind用DQN创立达标人类专家水平玩Atari2600连串游戏Agent。

state of the art DQN
Trick。第3个Trick。DQN引进卷积层。模型通过Atari游戏录像图像精通环境音信并学习策略。DQN须求精晓接收图像,具有图像识别能力。卷积神经网络,利用可领到空间组织新闻卷积层抽取特征。卷积层提取图像中第三对象特征传给后层做分类、回归。DQN用卷积层做强化学习磨练,依照环境图像输出决策。

其次个Trick。Experience Replay。深度学习要求多量样本,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操练,图像反复使用。Experience
Replay,储存Agent
Experience样本,每趟陶冶随机抽取部分样书供互连网学习。稳定形成学习职务,幸免短视只学习最新接触样本,综合反复使用过往多量样本学习。制造储存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,保障超越四分之壹样本周围可能率被抽到。不替换旧样本,练习进度被抽到可能率永远比新样本高很多。每一次须求锻炼样本,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。

其多少个Trick。用第三个DQN互连网支持操练,target
DQN,帮衬计算指标Q值,提供学习目的公式里的maxaQ(st+壹,a)。八个互连网,二个创设学习指标,二个其实练习,让Q-Learning磨炼目的保持安静。强化学习
Q-Learning学习目的每一回变更,学习指标分部是模型本人输出,每趟换代模型参数会导致学习指标转移,更新往往幅度大,练习进度会充裕不安静、失控,DQN练习会沦为目的Q值与推断Q值反馈循环(陷入震荡发散,难消失)。须求稳定target
DQN协助互联网总计指标Q值。target
DQN,低频率、缓慢学习,输出目标Q值波动较小,减小练习进度影响。

第5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被高估超过最优Action。target DQN
负责生成目的Q值,先产生Q(st+一,a),再经过maxa选用最大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。主网选取Action,targetDQN生成Action
Q值。被挑选Q值,不必然总是最大,幸免被高估次优Action总是超过最优Action,导致发现不了真正最棒Action。学习目的公式:Target=rt+壹+γ·Qtarget(st+一,argmaxa(Qmain(st+1,a)))。

第伍个Trick。Dueling DQN。谷歌 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,1部分静态环境情形有所价值V(st),Value;另壹局地动态选用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和甄选Action
Advantage。Advantage,Action与其余Action相比,零均值。网络最后,不再间接输出Action数量Q值,输出三个Value,及Action数量
Advantage值。V值分别加到每一种Advantage值上,得最终结果。让DQN学习指标更显著,假设当前希望价值主要由环境情况控制,Value值大,全部Advantage波动十分小;若是指望价值首要由Action决定,Value值小,Advantage波动大。分解让学习目的更稳定、精确,DQN对环境景况估算能力更加强。

贯彻带Trick DQN。任务环境
GridWorld导航类水言纟工。GridWorld包括三个hero,五个goal,叁个fire。控制hero移动,每一回向上、下、左、右方向移动一步,多触碰goal(奖励值一),避开fire(奖励值-1)。游戏目的,限度步数内得到最多分数。Agent
间接通过GridWorld图像学习决定hero移动最优政策。

始建GridWorld职务环境。载入依赖库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,磨练时间长,os定期储存模型文件。

成立环境内物体对象class。环境物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(揽胜极光GB颜色通道)、reward(奖励值)、name(名称)。

创造GridWorld环境class,初阶化方法只传入参数环境size。环境长、宽为输入size,环境Action
Space设四,开首化环境物体对象列表。self.reset()方法重置环境,获得初阶observation(GridWorld图像),plt.imshow显示observation。

概念环境reset方法。成立全数GridWorld物体,2个hero(用户控制目的)、五个goal(reward
一)、2个fire(reward
-1),添加到物体对象列表self.objects。self.newPosition()成立物体地点,随机选拔未有被侵夺新任务。物有物体size、intensity
一,hero channel 2(栗色),goal channel 一(中蓝),fire channel
0(深青莲)。self.renderEnv()绘制GridWorld图像,state。

金玉满堂移动豪杰角色方法,传入值0、1、2、3八个数字,分别表示上、下、左、右。函数依照输入操作铁汉移动。假若运动该方向会造成豪杰出界,不会实行任何活动。

概念newPosition方法,选取2个跟现有物体不争执地点。itertools.product方法赢得多少个变量全数组成,创制环境size允许全部职位集合points,获取近年来全数物体地点集合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再次回到。

定义checkGoal函数。检查hero是还是不是触碰goal、fire。从objects获取hero,别的实体对象放置others列表。编历others列表,倘使物体和坐标与hero完全一致,判定触碰。依照触碰物体销毁,self.newPosition()方法在随飞机地方置再一次生成物体,重临物体reward值(goal
一,fire -1)。

创办长宛size+二、颜色通道数 三图片。初步值全一,代表全深褐。最外面内部像素颜色值全体赋0,代表莲红。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
八4x八肆x叁尺寸,不奇怪游玩图像尺寸。

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,重返state、reward、done。

调用gameEnv类伊始化方法,设置size
5,创设5x中国共产党第五次全国代表大会小GridWorld环境,每一回制造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,陶冶时间更加长。

设计DQN(Deep
Q-Network)网络。使用卷积层,能够直接从环境原始像素学习策略。输入scalarInput,扁平化长为84x八四x叁=2116八向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution二d创设第一个卷积层,卷积核尺寸八x八,步长四x四,输出通道数(filter数量)32,padding模型VALID,bias伊始化器空。用4x四上涨幅度和VALID模型padding,第一层卷积输出维度20x20x32。第三层卷积尺寸四x4,步长2x二,输出通道数6四,输出维度玖x九x6四。第一层卷积尺寸三x三,步长一x一,输出通道数6四,输出维度柒x七x64。第4层卷积尺寸柒x七,步长一x一,输出通道数512,空间尺寸只允许在三个地方卷积,,输出维度1x壹x512。

tf.split(),第四个卷积层输出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函数第贰参数代表要拆分成几段。第2参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。创造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,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1的,输出数量
1。Q值由Value、advantage复合成,Value加上收缩均值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指标Q值targetQ输入placeholder,Agent动作actions输入placeholder。计算指标Q值,action由主DQN选择,Q值由扶助target
DQN生成。计算预测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都来源于主DQN)。

定义loss,tf.square、tf.reduce_mean总计targetQ和Q均方引用误差,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。开首化定义buffer_size存款和储蓄样本最大体积,创造buffer列表。定义向经buffer添澳成分方法。假如跨越buffer最大容积,清空最早样本,列表末尾添加新成分。定义样本抽样格局,用random.sample()函数随机抽取一定数额样本。

概念8四x八肆x三 states扁平化 一维向量函数processState,方便前边堆叠样本。

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5/10参数,主DQN模型参数。再令协助targetDQN参数朝向主DQN参数前进相当的小比例(tau,0.00一),target
DQN缓慢学习主DQN。练习时,目的Q值不可能在两回迭代间波动太大,磨练十二分不安宁、失控,陷入目的Q值和展望Q值反馈循环。需求安静指标Q值锻炼互联网,缓慢学习target
DQN互连网出口目标Q值,主互联网优化目的Q值和展望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创建立异target
DQN模型参数操作,函数updateTarget执行操作。

DQN网络练习进度参数。batch_size,每一遍从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值衰减周详(discount
factor)γ,0.9玖。startE开头执行随机Action可能率。endE最后实施随机Action概率。anneling_steps从起初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每一个episode举办多少步Action。load_model是还是不是读取在此以前锻炼模型。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和扶助targetQN。初叶化全体模型参数。trainables获取具有可陶冶参数。updateTargetGraph成立创新target
DQN模型参数操作。

experience_buffer创制experience replay
class,设置当前随机Action可能率e,总括e每一步衰减值stepDrop。开始化储存每一个episode的reward列表rList,总步数total_steps。创制模型陶冶保存器(Saver)检查保存目录是不是留存。

创造默认Session,如果load_model标志True,检查模型文件路径checkpoint,读取载入已封存模型。执行参数伊始化操作,执行更新targetQN模型参数操作。成立GridWorld试验循环,创设每一个episode内部experience_buffer,内部buffer不参与当前迭代替练习练,磨炼只行使从前episode样本。起头化环境得第1个环境消息s,processState()函数扁平化。起先化私下认可done标记d、episode内总reward值rAll、episode内步数j。

成立内层循环,每便迭代执行Action。总步数稍差于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采纳Action。不随机采纳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s一、reward、done标记。processState对s一扁平化处理,s、a、r、s一、d传入episodeBuffer存款和储蓄。

总步数超过pre_train_steps,持续下滑随机选拔Action概率e,直到最低值endE。每当总步数达到update_freq整数部,举行二次练习,模型参数更新。从myBuffer中sample出二个batch_size样本。陶冶样本第二列消息,下一动静s一,传入mainQN,执行main.predict,获得主模型选用Action。s一传开支持targetQN,获得s一状态下拥有Action的Q值。mainQN输出Action
,选取targetQN输出Q,得到doubleQ。七个DQN网络把选用Action和输出Q值四个操作分隔断,Double
DQN。演练样本第一列消息,当前reward,加doubleQ乘以衰减全面γ,获得读书指标targetQ。传入当前状态s,学习指标targetQ和实际应用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整实现二遍练习进度。每个step停止,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,作今后练习抽样数据集。当前episode
reward添加到rList。每二两个episode体现平均reward值。每壹仟个episode或任何练习达成,保存当前模型。

发端200个episode内,完全随机Action的前一千0步内,平均能够博得reward在二邻座,基础baseline。

教练最终episode输出,平均reward 2二,相当大提高。

计量每九二十一个episode平均reward,plt.plot展现reward变化趋势。从第玖00个episode开始,reward快捷进步,到第四000个episode基本达到高峰,后边进去平台期,升高极小。

    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元每小时),笔者的微信:qingxingfengzi

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注