强化学习从基础到进阶 - 案例与实践 [4.2]：深度 Q 网络 DQN-Cart pole 游戏展示

2023-06-30
浙江
本文字数：5382 字
阅读完需：约 18 分钟

强化学习从基础到进阶-案例与实践[4.2]：深度 Q 网络 DQN-Cart pole 游戏展示

强化学习（Reinforcement learning，简称 RL）是机器学习中的一个领域，区别与监督学习和无监督学习，强调如何基于环境而行动，以取得最大化的预期利益。
基本操作步骤：智能体agent在环境environment中学习，根据环境的状态state（或观测到的observation），执行动作action，并根据环境的反馈reward（奖励）来指导更好的动作。

比如本项目的 Cart pole 小游戏中，agent就是动图中的杆子，杆子有向左向右两种action。

## 安装依赖!pip install pygame!pip install gym!pip install atari_py!pip install parl

复制代码

import gymimport osimport randomimport collections
import paddleimport paddle.nn as nnimport numpy as npimport paddle.nn.functional as F

复制代码

1.经验回放部分

经验回放主要做的事情是：把结果存入经验池，然后经验池中随机取出一条结果进行训练。

这样做有两个好处：

减少样本之间的关联性
提高样本的利用率

之所以加入 experience replay 是因为样本是从游戏中的连续帧获得的，这与简单的 reinforcement learning 问题相比，样本的关联性大了很多，如果没有 experience replay，算法在连续一段时间内基本朝着同一个方向做 gradient descent，那么同样的步长下这样直接计算 gradient 就有可能不收敛。因此 experience replay 是从一个 memory pool 中随机选取了一些 expeirence，然后再求梯度，从而避免了这个问题。

class ReplayMemory(object):    def __init__(self, max_size):        self.buffer = collections.deque(maxlen=max_size)
    # 增加一条经验到经验池中    def append(self, exp):        self.buffer.append(exp)
    # 从经验池中选取N条经验出来    def sample(self, batch_size):        mini_batch = random.sample(self.buffer, batch_size)        obs_batch, action_batch, reward_batch, next_obs_batch, done_batch = [], [], [], [], []
        for experience in mini_batch:            s, a, r, s_p, done = experience            obs_batch.append(s)            action_batch.append(a)            reward_batch.append(r)            next_obs_batch.append(s_p)            done_batch.append(done)
        return np.array(obs_batch).astype('float32'), np.array(action_batch).astype('float32'), np.array(reward_batch).astype('float32'), np.array(next_obs_batch).astype('float32'), np.array(done_batch).astype('float32')
    def __len__(self):        return len(self.buffer)

复制代码

2.DQN

DQN 算法较普通算法在经验回放和固定 Q 目标有了较大的改进，主要原因：

经验回放：他充分利用了 off-colicp 的优势，通过训练把结果（成绩）存入 Q 表格，然后随机从表格中取出一条结果进行优化。这样子一方面可以：减少样本之间的关联性另一方面：提高样本的利用率注：训练结果会存进 Q 表格，当 Q 表格满了以后，存进来的数据会把最早存进去的数据“挤出去”（弹出）
固定 Q 目标他解决了算法更新不平稳的问题。和监督学习做比较，监督学习的最终值要逼近实际结果，这个结果是固定的，但是我们的 DQN 却不是，他的目标值是经过神经网络以后的一个值，那么这个值是变动的不好拟合，怎么办，DQN 团队想到了一个很好的办法，让这个值在一定时间里面保持不变，这样子这个目标就可以确定了，然后目标值更新以后更加接近实际结果，可以更好的进行训练。

3.模型 Model

这里的模型可以根据自己的需求选择不同的神经网络组建。

DQN用来定义前向(Forward)网络，可以自由的定制自己的网络结构。

class DQN(nn.Layer):    def __init__(self, outputs):        super(DQN, self).__init__()        self.linear1 = nn.Linear(in_features=4, out_features=128)        self.linear2 = nn.Linear(in_features=128, out_features=24)        self.linear3 = nn.Linear(in_features=24, out_features=outputs)
    def forward(self, x):        x = self.linear1(x)        x = F.relu(x)        x = self.linear2(x)        x = F.relu(x)        x = self.linear3(x)        return x

复制代码

4.智能体 Agent 的学习函数

这里包括模型探索与模型训练两个部分

Agent负责算法与环境的交互，在交互过程中把生成的数据提供给Algorithm来更新模型(Model)，数据的预处理流程也一般定义在这里。

def sample(obs, MODEL):    global E_GREED    global ACTION_DIM    global E_GREED_DECREMENT    sample = np.random.rand()  # 产生0~1之间的小数    if sample < E_GREED:        act = np.random.randint(ACTION_DIM)  # 探索：每个动作都有概率被选择    else:        obs = np.expand_dims(obs, axis=0)        obs = paddle.to_tensor(obs, dtype='float32')        act = MODEL(obs)        act = np.argmax(act.numpy())  # 选择最优动作    E_GREED = max(0.01, E_GREED - E_GREED_DECREMENT)  # 随着训练逐步收敛，探索的程度慢慢降低    return act

def learn(obs, act, reward, next_obs, terminal, TARGET_MODEL, MODEL):    global global_step    # 每隔200个training steps同步一次model和target_model的参数    if global_step % 50 == 0:        TARGET_MODEL.load_dict(MODEL.state_dict())    global_step += 1
    obs = np.array(obs).astype('float32')    next_obs = np.array(next_obs).astype('float32')    # act = np.expand_dims(act, -1)    cost = optimize_model(obs, act, reward, next_obs,                          terminal, TARGET_MODEL, MODEL)  # 训练一次网络    return cost

def optimize_model(obs, action, reward, next_obs, terminal, TARGET_MODEL, MODEL):    """    使用DQN算法更新self.model的value网络    """    # 从target_model中获取 max Q' 的值，用于计算target_Q    global E_GREED    global ACTION_DIM    global E_GREED_DECREMENT    global GAMMA    global LEARNING_RATE    global opt
    opt = paddle.optimizer.Adam(learning_rate=LEARNING_RATE,                                parameters=MODEL.parameters())  # 优化器(动态图)
    obs = paddle.to_tensor(obs)    next_obs = paddle.to_tensor(next_obs)
    next_pred_value = TARGET_MODEL(next_obs).detach()    best_v = paddle.max(next_pred_value, axis=1)    target = reward + (1.0 - terminal) * GAMMA * best_v.numpy()    target = paddle.to_tensor(target)    pred_value = MODEL(obs)  # 获取Q预测值    # 将action转onehot向量，比如：3 => [0,0,0,1,0]    action = paddle.to_tensor(action.astype('int32'))    action_onehot = F.one_hot(action, ACTION_DIM)    action_onehot = paddle.cast(action_onehot, dtype='float32')    # 下面一行是逐元素相乘，拿到action对应的 Q(s,a)    pred_action_value = paddle.sum(paddle.multiply(action_onehot, pred_value), axis=1)    # 计算 Q(s,a) 与 target_Q的均方差，得到loss    cost = F.square_error_cost(pred_action_value, target)    cost = paddle.mean(cost)    avg_cost = cost    cost.backward()    opt.step()    opt.clear_grad()
    return avg_cost.numpy()

复制代码

5.模型梯度更新算法

def run_train(env, rpm, TARGET_MODEL, MODEL):    MODEL.train()    TARGET_MODEL.train()    total_reward = 0    obs = env.reset()
    global global_step    while True:        global_step += 1        # 获取随机动作和执行游戏        action = sample(obs, MODEL)
        next_obs, reward, isOver, info = env.step(action)
        # 记录数据        rpm.append((obs, action, reward, next_obs, isOver))
        # 在预热完成之后，每隔LEARN_FREQ步数就训练一次        if (len(rpm) > MEMORY_WARMUP_SIZE) and (global_step % LEARN_FREQ == 0):            (batch_obs, batch_action, batch_reward, batch_next_obs, batch_isOver) = rpm.sample(BATCH_SIZE)            train_loss = learn(batch_obs, batch_action, batch_reward,                               batch_next_obs, batch_isOver, TARGET_MODEL, MODEL)
        total_reward += reward        obs = next_obs.astype('float32')
        # 结束游戏        if isOver:            break    return total_reward

def evaluate(model, env, render=False):    model.eval()    eval_reward = []    for i in range(5):        obs = env.reset()        episode_reward = 0        while True:            obs = np.expand_dims(obs, axis=0)            obs = paddle.to_tensor(obs, dtype='float32')            action = model(obs)            action = np.argmax(action.numpy())            obs, reward, done, _ = env.step(action)            episode_reward += reward            if render:                env.render()            if done:                break        eval_reward.append(episode_reward)    return np.mean(eval_reward)

复制代码

6.训练函数与验证函数

设置超参数

LEARN_FREQ = 5  # 训练频率，不需要每一个step都learn，攒一些新增经验后再learn，提高效率MEMORY_SIZE = 20000  # replay memory的大小，越大越占用内存MEMORY_WARMUP_SIZE = 200  # replay_memory 里需要预存一些经验数据，再开启训练BATCH_SIZE = 32  # 每次给agent learn的数据数量，从replay memory随机里sample一批数据出来LEARNING_RATE = 0.001  # 学习率大小GAMMA = 0.99  # reward 的衰减因子，一般取 0.9 到 0.999 不等
E_GREED = 0.1  # 探索初始概率E_GREED_DECREMENT = 1e-6  # 在训练过程中，降低探索的概率MAX_EPISODE = 20000  # 训练次数SAVE_MODEL_PATH = "models/save"  # 保存模型路径OBS_DIM = NoneACTION_DIM = Noneglobal_step = 0

复制代码

def main():    global OBS_DIM    global ACTION_DIM
    train_step_list = []    train_reward_list = []    evaluate_step_list = []    evaluate_reward_list = []
    # 初始化游戏    env = gym.make('CartPole-v0')    # 图像输入形状和动作维度    action_dim = env.action_space.n    obs_dim = env.observation_space.shape    OBS_DIM = obs_dim    ACTION_DIM = action_dim    max_score = -int(1e4)
    # 创建存储执行游戏的内存    rpm = ReplayMemory(MEMORY_SIZE)    MODEL = DQN(ACTION_DIM)    TARGET_MODEL = DQN(ACTION_DIM)    # if os.path.exists(os.path.dirname(SAVE_MODEL_PATH)):    #     MODEL_DICT = paddle.load(SAVE_MODEL_PATH+'.pdparams')    #     MODEL.load_dict(MODEL_DICT)  # 加载模型参数    print("filling memory...")    while len(rpm) < MEMORY_WARMUP_SIZE:        run_train(env, rpm, TARGET_MODEL, MODEL)    print("filling memory done")
    # 开始训练    episode = 0
    print("start training...")    # 训练max_episode个回合，test部分不计算入episode数量    while episode < MAX_EPISODE:        # train part        for i in range(0, int(50)):            # First we need a state            total_reward = run_train(env, rpm, TARGET_MODEL, MODEL)            episode += 1                # print("episode:{}    reward:{}".format(episode, str(total_reward)))
        # test part        # print("start evaluation...")        eval_reward = evaluate(TARGET_MODEL, env)        print('episode:{}    e_greed:{}   test_reward:{}'.format(episode, E_GREED, eval_reward))
        evaluate_step_list.append(episode)        evaluate_reward_list.append(eval_reward)
        # if eval_reward > max_score or not os.path.exists(os.path.dirname(SAVE_MODEL_PATH)):        #     max_score = eval_reward        #     paddle.save(TARGET_MODEL.state_dict(), SAVE_MODEL_PATH+'.pdparams')  # 保存模型

if __name__ == '__main__':    main()

复制代码

filling memory...filling memory donestart training...episode:50 e_greed:0.0992949999999993 test_reward:9.0episode:100 e_greed:0.0987909999999988 test_reward:9.8episode:150 e_greed:0.09827199999999828 test_reward:10.0episode:200 e_greed:0.09777599999999778 test_reward:8.8episode:250 e_greed:0.09726999999999728 test_reward:9.0episode:300 e_greed:0.09676199999999677 test_reward:10.0episode:350 e_greed:0.0961919999999962 test_reward:14.8

项目链接 fork 一下即可运行

https://www.heywhale.com/mw/project/649e7d3f70567260f8f11d2b

更多优质内容请关注公号：汀丶人工智能

发布于: 刚刚阅读数: 3

原文链接:【http://xie.infoq.cn/article/b466479bdcd9452d292a42eb7】。

汀丶人工智能

关注

本博客将不定期更新关于NLP等领域相关知识 2022-01-06 加入

本博客将不定期更新关于机器学习、强化学习、数据挖掘以及NLP等领域相关知识，以及分享自己学习到的知识技能，感谢大家关注！

发布

暂无评论

创作场景

强化学习从基础到进阶 - 案例与实践 [4.2]：深度 Q 网络 DQN-Cart pole 游戏展示

强化学习从基础到进阶-案例与实践[4.2]：深度 Q 网络 DQN-Cart pole 游戏展示

1.经验回放部分

2.DQN

3.模型 Model

4.智能体 Agent 的学习函数

5.模型梯度更新算法

6.训练函数与验证函数

项目链接 fork 一下即可运行

汀丶人工智能

评论