st+1)样本磨练,让模型学习到较新样本

Q-Learning,学习Action对应期望值(Expected
Utility)。一九八八年,Watkins提议。收敛性,一九九一年,Watkins和Dayan共同验证。学习期望价值,从此时此刻一步到独具继续手续,总希望获得最大价值(Q值、Value)。Action->Q函数,最佳计谋,在每种state下,选择Q值最高的Action。不依赖际遇模型。有限马尔科夫决策进度(马克ov
Dectision Process) ,Q-Learning被证实最后得以找到最优政策。

上学笔记TF038:达成价值评估互联网,tf038估价

Q-Learning,学习Action对应期望值(Expected
Utility)。一九八八年,Watkins提议。收敛性,一九九一年,Watkins和Dayan共同验证。学习期望价值,从此时此刻一步到独具继续手续,总希望获得最大价值(Q值、Value)。Action->Q函数,最棒攻略,在每一个state下,选用Q值最高的Action。不重视意况模型。有限马尔科夫决策进度(马克ov
Dectision Process) ,Q-Learning被认证最后得以找到最优政策。

Q-Learning指标,求解函数Q(st,at),依据当前处境意况,推断Action期望价值。Q-Learning磨炼模型,以(状态、行为、表彰、下一状态)构成元组(st,at,rt+1,st+1)样本磨炼,st当前情景,at当前情景下试行action,rt+1推行Action后获取褒奖,st+1下一动静,(当前场地,行动,奖赏,下一气象)。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,加下一步可得到最大期待价值,当前意况行动奖励,加下一景况行动最大梦想价值。学习目的包蕴Q-Learning函数本身,递归求解。下一步可获最大期待价值乘γ(衰减周详discount
factor),以后奖励的读书权重。discount factor
0,模型学习不到任何未来奖励音信,变短视,只关切眼下平价。discount factor
>=
1,算法也许不也许磨灭,期望价值不断增加未有衰减(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),向学习指标(当前赢得Reward加下一步可收获最大梦想价值),按相当的小学习速率α学习,得到新Q-Learning函数Qnew(st,at)。学习速率决定新猎取样本新闻覆盖率前左右到新闻比率,日常设非常的小值,保障学习进度稳固,确认保障最终收敛性。Q-Learning须求开始值Q0,相比较高初叶值,鼓劲模型多探寻。

学学Q-Learning模型用神经网络,获得模型是价值评估网络。用比较深的神经网络,就是DQN。GoogleDeepMind,《Nature》杂谈,《Human-level control through deep
reinforcement
learning》建议。DeepMind用DQN成立达到规定的规范人类专家水平玩Atari2600种类游戏Agent。

state of the art DQN
Trick。第七个Trick。DQN引进卷积层。模型通过Atari游戏摄像图像了解景况新闻并学习战术。DQN须求掌握接收图像,具备图像识别工夫。卷积神经互联网,利用可领取空间组织音讯卷积层抽取特征。卷积层提取图像中重大目的特征传给后层做分类、回归。DQN用卷积层做强化学习磨练,依照意况图像输出决策。

第四个Trick。Experience Replay。深度学习必要大量样书,守旧Q-Learning
online
update方法(逐条对新样本学习)不切合DQN。增大样本,几个epoch磨炼,图像频频使用。Experience
Replay,累积Agent
Experience样本,每回磨练随机收取部分样书供网络学习。稳定产生学习职务,制止短视只学习最新接触样本,综合反复使用过往一大波样书学习。创制积存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,保险超过一半样本周围可能率被抽到。不替换旧样本,陶冶过程被抽到可能率永世比新样本高相当多。每一遍要求陶冶样本,直接从buffer随机抽出一定量给DQN磨炼,保持样本高利用率,让模型学习到较新样本。

其多少个Trick。用第一个DQN互连网支持磨炼,target
DQN,扶助计算目标Q值,提供就学指标公式里的maxaQ(st+1,a)。两个互联网,二个制作学习指标,三个事实上练习,让Q-Learning磨练目的保持安静。强化学习
Q-Learning学习指标每回退换,学习指标总局是模型本人输出,每趟换代模型参数会导致学习目的转移,更新往往幅度大,锻炼进度会那个不安宁、失控,DQN陶冶会沦为目的Q值与展望Q值反馈循环(陷入震荡发散,难消失)。必要稳固target
DQN支持网络计算目的Q值。target
DQN,低频率、缓慢学习,输出指标Q值波动异常的小,减小磨练进程影响。

第2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被高估当先最优Action。target DQN
担任生成指标Q值,首发生Q(st+1,a),再通过maxa采取最大Q值。Double
DQN,在主DQN上经过最大Q值选用Action,再拿走Action在target DQN
Q值。主网采取Action,targetDQN生成Action
Q值。被选拔Q值,不确定总是最大,防止被高估次优Action总是超越最优Action,导致开采不了真正最佳Action。学习目的公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a)))。

第5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,一部分静态景况情况有所价值V(st),Value;另一片段动态选取Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。互连网独家总结情形Value和挑选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,输出三个Value,及Action数量
Advantage值。V值分别加到每一种Advantage值上,得最后结果。让DQN学习目的更刚烈,假若当前梦想价值首要由环情调整,Value值大,全数Advantage波动一点都不大;假诺指望价值首要由Action决定,Value值小,Advantage波动大。分解让学习指标更安定、准确,DQN对情况意况估算技术越来越强。

福衢寿车带Trick DQN。职责景况GridWorld导航类水言纟工。GridWorld包蕴二个hero,4个goal,2个fire。调控hero移动,每趟向上、下、左、右方向运动一步,多触碰goal(奖赏值1),避开fire(表彰值-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。

创立GridWorld职务环境。载入信赖库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,磨炼时间长,os定期积攒模型文件。

开创景况内物体对象class。意况物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(Polestar 1GB颜色通道)、reward(表彰值)、name(名称)。

开创GridWorld境况class,开首化方法只传入参数碰着size。情形长、宽为输入size,景况Action
Space设4,发轫化景况物体对象列表。self.reset()方法重新初始化情况,获得开始observation(GridWorld图像),plt.imshow展现observation。

概念遭受reset方法。创立全数GridWorld物体,1个hero(用户调控指标)、4个goal(reward
1)、2个fire(reward
-1),加多到物体对象列表self.objects。self.newPosition()创立物体地点,随机选用未有被攻下新岗位。物有物体size、intensity
1,hero channel 2(深灰蓝),goal channel 1(深青莲),fire channel
0(茶褐)。self.renderEnv()绘制GridWorld图像,state。

金玉满堂活动豪杰剧中人物方法,传入值0、1、2、3四个数字,分别表示上、下、左、右。函数根据输入操作大侠移动。就算移动该方向会促成英雄出界,不会张开任何活动。

概念newPosition方法,选拔多少个跟现成物体不冲突地方。itertools.product方法获得多少个变量全部结成,创制景况size允许具有地点会集points,获取这段日子具备物体地点集结currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机抽出贰个可用地方再次回到。

定义checkGoal函数。检查hero是或不是触碰goal、fire。从objects获取hero,别的实体对象放置others列表。编历others列表,假如物体和坐标与hero完全一致,剖断触碰。依照触碰物体销毁,self.newPosition()方法在率性地方再次生成物体,重临物体reward值(goal
1,fire -1)。

开创长宛size+2、颜色通道数 3
图片。初始值全1,代表全淡紫白。最外侧内部像素颜色值全体赋0,代表土褐。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
84x84x3尺寸,寻常游玩图像尺寸。

概念GridWorld碰着进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检查测量试验hero是不是触碰物体,获得reward、done标识。self.renderEnv获取碰到图像state,再次来到state、reward、done。

调用gameEnv类开端化方法,设置size
5,创设5×5大小GridWorld碰着,每趟成立GridWorld景况随机变化。小尺寸意况相对容命理术数习,大尺寸较难,磨练时间越来越长。

设计DQN(Deep
Q-Network)互连网。使用卷积层,可以间接从情况原始像素学习攻略。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成立第四个卷积层,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,空间尺寸只允许在三个职位卷积,,输出维度1x1x512。

tf.split(),第一个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的市场总值)和Value
Function(情状本人价值)。tf.split函数第2参数代表要拆分成几段。第3参数代表要拆分多少个维度。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初叶化权重,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针对碰着统一的,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目的Q值targetQ输入placeholder,Agent动作actions输入placeholder。总结指标Q值,action由主DQN采取,Q值由帮忙target
DQN生成。计算预测Q值,scalar格局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都来源于主DQN)。

定义loss,tf.square、tf.reduce_mean总结targetQ和Q均方基值误差,学习速率1e-4
艾达m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。起始化定义buffer_size存款和储蓄样本最大容积,创造buffer列表。定义向经buffer添美成分方法。借使超过buffer最大容积,清空最初样本,列表末尾增加新成分。定义样本抽样方式,用random.sample()函数随机收取一定数额样本。

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

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前五成参数,主DQN模型参数。再令协理targetDQN参数朝向主DQN参数前进十分小比例(tau,0.001),target
DQN缓慢学习主DQN。陶冶时,指标Q值不能够在一遍迭代间波动太大,磨练十一分不稳定、失控,陷入目的Q值和预测Q值反馈循环。须要牢固目的Q值陶冶网络,缓慢学习target
DQN网络出口目的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成立立异target
DQN模型参数操作,函数updateTarget实施操作。

DQN互联网练习进程参数。batch_size,每回从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step推行一遍模型参数更新,4。Q值衰减周到(discount
factor)γ,0.99。startE早先执行随机Action概率。endE最终施行随机Action可能率。anneling_steps从伊始随机可能率降到最后随机可能率所需步数。num_episodes总共多少次GridWorld碰着试验。pre_train_steps正式用DQN选择Action前开展多少步随机Action测验。max_epLength每种episode进行多少步Action。load_model是或不是读取之前磨炼模型。path模型积累路线。h_size是DQN互联网最终全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类初叶化mainQN和扶助targetQN。起先化全部模型参数。trainables获取具备可陶冶参数。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概率e,计算e每一步衰减值stepDrop。初叶化储存种种episode的reward列表rList,总步数total_steps。创造模型练习保存器(Saver)检查保存目录是不是留存。

创制默许Session,要是load_model标识True,检查模型文件路线checkpoint,读取载入已封存模型。实行参数开端化操作,实践更新targetQN模型参数操作。成立GridWorld试验循环,创立各类episode内部experience_buffer,内部buffer不插足当前迭代替陶冶练,磨炼只使用从前episode样本。开头化情状得第1个条件新闻s,processState()函数扁平化。起先化私下认可done标识d、episode内总reward值rAll、episode内步数j。

始建内层循环,每回迭代实践Action。总步数紧跟于pre_train_steps,强制用随机Action,只从随机Action学习,不深化进度。到达pre_train_steps,保留十分的小可能率随机选择Action。不随机选拔Action,传入当前状态s给主DQN,预测获得相应施行Action。env.step()实践一步Action,获得接下来事态s1、reward、done标识。processState对s1扁平化处理,s、a、r、s1、d传入episodeBuffer存款和储蓄。

总步数超过pre_train_steps,持续减弱随机挑选Action可能率e,直到最低值endE。每当总步数到达update_freq整数部,进行叁遍磨炼,模型参数更新。从myBuffer中sample出一个batch_size样本。训练样本第3列新闻,下一处境s1,传入mainQN,施行main.predict,得到主模型选取Action。s1扩散协理targetQN,获得s1状态下具备Action的Q值。mainQN输出Action
,选择targetQN输出Q,获得doubleQ。三个DQN互连网把挑选Action和输出Q值三个操作分隔开分离,Double
DQN。演练样本第2列音信,当前reward,加doubleQ乘以衰减周密γ,得到学习指标targetQ。传入当前状态s,学习指标targetQ和事实上运用Action,试行updateTarget函数,实行targetQN模型参数更新(缓慢向mainQN学习)。完整实现叁遍磨练进程。种种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筹算。假使done标志为True,直接中断episode试验。

episode内部episodeBuffer增多到myBuffer,作以往训练抽样数据集。当前episode
reward加多到rList。每二十多个episode体现平均reward值。每壹仟个episode或任何教练成功,保存当前模型。

始于200个episode内,完全随机Action的前一千0步内,平均能够获得reward在2紧邻,基础baseline。

教练最终episode输出,平均reward 22,相当的大提升。

计量每九拾几个episode平均reward,plt.plot显示reward变化趋势。从第一千个episode起始,reward飞速升高,到第陆仟个episode基本实现巅峰,后边进去平台期,提高十分小。

    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》

应接付费咨询(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)。一九八八年,Watkins建议。收敛性,一九九二年,Watkins和Dayan共同证…

Q-Learning指标,求解函数Q(st,at),依照当下条件气象,估摸Action期望价值。Q-Learning磨炼模型,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当前情景,at当前场地下试行action,rt+1试行Action后获取褒奖,st+1下一气象,(当前气象,行动,表彰,下一景观)。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,加下一步可得到最大梦想价值,当前事态行动奖赏,加下一状态行动最大希望价值。学习目的富含Q-Learning函数本人,递归求解。下一步可获最大梦想价值乘γ(衰减周密discount
factor),今后嘉奖的读书权重。discount factor
0,模型学习不到其余以往奖励消息,变短视,只关切眼下实惠。discount factor
>=
1,算法也许不也许磨灭,期望价值持续增加未有衰减(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),按不大学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新获得样本音信覆盖率前左右到新闻比率,平时设相当的小值,保证学习进度牢固,确认保证最终收敛性。Q-Learning供给起先值Q0,比较高最初值,激励模型多搜求。

学学Q-Learning模型用神经互联网,获得模型是估价网络。用比较深的神经互连网,正是DQN。谷歌DeepMind,《Nature》杂谈,《Human-level control through deep
reinforcement
learning》提议。DeepMind用DQN成立达到规定的标准人类专家水平玩Atari2600连串游戏Agent。

state of the art DQN
Trick。第二个Trick。DQN引进卷积层。模型通过Atari游戏录制图像领悟景况音信并学习战术。DQN须要精通接收图像,具备图像识别技能。卷积神经网络,利用可领取空间协会音讯卷积层抽出特征。卷积层提取图像中至关心尊崇要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,依据条件图像输出决策。

其次个Trick。Experience Replay。深度学习要求大批量样本,守旧Q-Learning
online
update方法(逐条对新样本学习)不切合DQN。增大样本,七个epoch陶冶,图像每每使用。Experience
Replay,积攒Agent
Experience样本,每回磨练随机抽出部分样书供互联网学习。牢固变成学习任务,防止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。创立储存Experience缓存buffer,积累一定量较新样本。容积满了,用新样本替换最旧样本,保障大多数样本相近概率被抽到。不替换旧样本,磨练过程被抽到概率长久比新样本高相当多。每一次须求演练样本,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。用第二个DQN网络援助磨练,target
DQN,协理计算目标Q值,提供就学目的公式里的maxaQ(st+1,a)。四个互连网,一个制作学习目的,贰个实际上陶冶,让Q-Learning磨炼指标保持安静。强化学习
Q-Learning学习目的每一遍改动,学习指标根据地是模型自己输出,每一次换代模型参数会导致学习指标转移,更新往往幅度大,磨炼进程会丰硕不安静、失控,DQN练习会沦为目的Q值与推测Q值反馈循环(陷入震荡发散,难消失)。必要牢固target
DQN扶助互连网总结目的Q值。target
DQN,低频率、缓慢学习,输出指标Q值波动一点都不大,减小磨练进度影响。

第四个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
负担生成目的Q值,头阵生Q(st+1,a),再通过maxa选取最大Q值。Double
DQN,在主DQN上经过最大Q值选拔Action,再赢得Action在target DQN
Q值。主网选取Action,targetDQN生成Action
Q值。被选拔Q值,不自然总是最大,幸免被高估次优Action总是当先最优Action,导致开采不了真正最佳Action。学习目的公式: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,一部分静态环境情形有所价值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)。网络独家计算情状Value和挑选Action
Advantage。Advantage,Action与其余Action相比,零均值。互联网最后,不再间接输出Action数量Q值,输出五个Value,及Action数量
Advantage值。V值分别加到每一种Advantage值上,得最后结果。让DQN学习目的更醒目,若是领中期待价值首要由环情调整,Value值大,全数Advantage波动非常小;借使期望价值首要由Action决定,Value值小,Advantage波动大。分解让学习目的更平稳、准确,DQN对环情推断技术更加强。

贯彻带Trick DQN。职务处境GridWorld导航类水言纟工。GridWorld满含多个hero,4个goal,2个fire。调控hero移动,每回向上、下、左、右方向移动一步,多触碰goal(表彰值1),避开fire(奖赏值-1)。游戏指标,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。

创制GridWorld任务情形。载入注重库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,演习时间长,os按期积攒模型文件。

始建情形内物体对象class。意况物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(PAJEROGB颜色通道)、reward(表彰值)、name(名称)。

创建GridWorld情状class,初步化方法只传入参数情形size。情状长、宽为输入size,情形Action
Space设4,开始化环境物体对象列表。self.reset()方法重新设置情形,获得起首observation(GridWorld图像),plt.imshow展现observation。

概念意况reset方法。创设全部GridWorld物体,1个hero(顾客调控目的)、4个goal(reward
1)、2个fire(reward
-1),增加到实体对象列表self.objects。self.newPosition()创造物体地方,随机选择未有被挤占新岗位。物有物体size、intensity
1,hero channel 2(灰湖绿),goal channel 1(粉红色),fire channel
0(黑色)。self.renderEnv()绘制GridWorld图像,state。

兑现活动铁汉剧中人物方法,传入值0、1、2、3多个数字,分别代表上、下、左、右。函数依照输入操作英雄移动。假使移动该方向会招致硬汉出界,不会进展其余活动。

概念newPosition方法,采取七个跟现成物体不争执地点。itertools.product方法获得多少个变量全数结成,创造情形size允许持有地方集结points,获取目前抱有物体地方会集currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽出三个可用地点再次回到。

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,决断触碰。依据触碰物体销毁,self.newPosition()方法在随机地点再次生成物体,再次来到物体reward值(goal
1,fire -1)。

创造长宛size+2、颜色通道数 3
图片。开首值全1,代表全米红。最外面内部像素颜色值全体赋0,代表水晶色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原有大小resize
84x84x3尺寸,符合规律游玩图像尺寸。

概念GridWorld意况进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检验hero是还是不是触碰物体,获得reward、done标识。self.renderEnv获取景况图像state,重回state、reward、done。

调用gameEnv类初始化方法,设置size
5,创制5×5大小GridWorld情形,每便成立GridWorld处境随机生成。小尺寸遭逢相对容命理术数习,大尺寸较难,练习时间越来越长。

统一筹算DQN(Deep
Q-Network)网络。使用卷积层,能够一向从蒙受原始像素学习计策。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开立第三个卷积层,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起首化器空。用4×4大幅度和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,空间尺寸只同意在二个职务卷积,,输出维度1x1x512。

tf.split(),第四个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的市场总值)和Value
Function(境况自个儿价值)。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发轫化权重,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针对情状统一的,输出数量
1。Q值由Value、advantage复合成,Value加上缩小均值Advantage。Advantage减去均值操作
tf.subtract,均值计算tf.reduce_mean函数(reduce_indices
1,代表Action数量维度)。最终输出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选用,Q值由支持target
DQN生成。总括预测Q值,scalar格局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计算targetQ和Q均方固有误差,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。初阶化定义buffer_size存款和储蓄样本最大体积,创设buffer列表。定义向经buffer添英镑素方法。若是赶上buffer最大体量,清空最初样本,列表末尾增加新元素。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,方便后边聚成堆样本。

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前八分之四参数,主DQN模型参数。再令支持targetDQN参数朝向主DQN参数前进非常的小比例(tau,0.001),target
DQN缓慢学习主DQN。练习时,目的Q值不可能在四遍迭代间波动太大,练习十一分动荡、失控,陷入目的Q值和展望Q值反馈循环。须求牢固指标Q值磨练网络,缓慢学习target
DQN网络出口目的Q值,主互连网优化指标Q值和预测Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创制创新target
DQN模型参数操作,函数updateTarget实践操作。

DQN网络陶冶进程参数。batch_size,每便从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step推行叁遍模型参数更新,4。Q值衰减周详(discount
factor)γ,0.99。startE开头实践随机Action可能率。endE最终实践随机Action可能率。anneling_steps从初阶随机可能率降到最后随机可能率所需步数。num_episodes总共多少次GridWorld碰到试验。pre_train_steps正式用DQN采取Action前举行多少步随机Action测验。max_epLength每种episode进行多少步Action。load_model是还是不是读取在此以前练习模型。path模型积攒路线。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类开端化mainQN和帮衬targetQN。起初化全部模型参数。trainables获取具有可演练参数。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概率e,总括e每一步衰减值stepDrop。初始化积存每一种episode的reward列表rList,总步数total_steps。创立模型磨练保存器(Saver)检查保存目录是或不是存在。

创办暗中认可Session,假使load_model标识True,检查模型文件路线checkpoint,读取载入已保存模型。实行参数初阶化操作,施行更新targetQN模型参数操作。成立GridWorld试验循环,创制各样episode内部experience_buffer,内部buffer不参加当前迭代替练习练,磨练只行使以前episode样本。开头化意况得第二个情状新闻s,processState()函数扁平化。开始化暗中同意done标志d、episode内总reward值rAll、episode内步数j。

始建内层循环,每一趟迭代实践Action。总步数稍低于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧进程。到达pre_train_steps,保留十分的小可能率随机选取Action。不随机选用Action,传入当前状态s给主DQN,预测获得应该实行Action。env.step()推行一步Action,获得接下来事态s1、reward、done标志。processState对s1扁平化管理,s、a、r、s1、d传入episodeBuffer存款和储蓄。

总步数超越pre_train_steps,持续下滑随机选择Action可能率e,直到最低值endE。每当总步数到达update_freq整数部,进行二次陶冶,模型参数更新。从myBuffer中sample出二个batch_size样本。练习样本第3列音讯,下一意况s1,传入mainQN,实践main.predict,得到主模型选用Action。s1传出帮忙targetQN,获得s1状态下所有Action的Q值。mainQN输出Action
,接纳targetQN输出Q,得到doubleQ。四个DQN互联网把挑选Action和出口Q值三个操作分隔离,Double
DQN。磨练样本第2列消息,当前reward,加doubleQ乘以衰减周全γ,得到读书指标targetQ。传入当前状态s,学习指标targetQ和骨子里利用Action,施行updateTarget函数,推行targetQN模型参数更新(缓慢向mainQN学习)。完整实现一遍陶冶进程。每一种step停止,累计当前那步获取reward,更新当前情状为下一步试验做企图。倘若done标志为True,直接中断episode试验。

episode内部episodeBuffer增多到myBuffer,作未来操练抽样数据集。当前episode
reward增添到rList。每二十多少个episode显示平均reward值。每一千个episode或任何练习完毕,保存当前模型。

始发200个episode内,完全随机Action的前一千0步内,平均能够获得reward在2相近,基础baseline。

演练最终episode输出,平均reward 22,相当的大进步。

计量每一百个episode平均reward,plt.plot浮现reward变化趋势。从第一千个episode初步,reward神速提高,到第五千个episode基本达成高峰,后边进去平台期,提高比相当小。

    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)

 

参谋资料:
《TensorFlow实战》

招待付费咨询(150元每小时),小编的微信:qingxingfengzi

相关文章