兑现估值互联网新普金娱乐

Q-Learning,学习Action对应期望值(Expected
Utility)。1988年,沃特kins建议。收敛性,一九九二年,沃特kins和Dayan共同证实。学习期望价值,从当下一步到持有继续手续,总希望获得最大价值(Q值、Value)。Action->Q函数,最佳策略,在各类state下,选拔Q值最高的Action。不重视环境模型。有限马尔科夫决策进程(马克ov
Dectision Process) ,Q-Learning被验证最后能够找到最优政策。

上学笔记TF038:达成估值网络,tf038估值

Q-Learning,学习Action对应期望值(Expected
Utility)。一九八九年,沃特kins提议。收敛性,一九九二年,沃特kins和Dayan共同认证。学习期望价值,从当下一步到具备继续手续,总希望得到最大价值(Q值、Value)。Action->Q函数,最佳策略,在每一种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),依照当前条件意况,测度Action期望价值。Q-Learning练习模型,以(状态、行为、奖励、下一状态)构成元组(st,at,rt+1,st+1)样本练习,st当前状态,at当前情景下执行action,rt+1执行Action后拿走褒奖,st+1下一动静,(当前场所,行动,奖励,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获得Reward,加下一步可获得最大期待价值,当前景况行动奖励,加下一情状行动最大梦想价值。学习指标包蕴Q-Learning函数本人,递归求解。下一步可获最大期待价值乘γ(衰减周详discount
factor),以往嘉奖的读书权重。discount factor
0,模型学习不到别的今后奖励音信,变短视,只关心方今便宜。discount factor
>=
1,算法大概不能够消灭,期望价值持续增加没有衰减(discount),期望价值发散。discount
factor一般比1稍小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习进程式子。旧Q-Learning函数Qold(st,at),向学习目的(当前得到Reward加下一步可取得最大期待价值),按较小学习速率α学习,得到新Q-Learning函数Qnew(st,at)。学习速率决定新取得样本新闻覆盖率前左右到音讯比率,平常设较小值,保险学习进程稳定,确认保证最终收敛性。Q-Learning须要起头值Q0,比较高初步值,鼓励模型多探索。

学习Q-Learning模型用神经网络,获得模型是估值互联网。用比较深的神经网络,就是DQN。谷歌(Google)DeepMind,《Nature》散文,《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类别游戏Agent。

state of the art DQN
Trick。第一个Trick。DQN引入卷积层。模型通过Atari游戏录制图像精晓环境消息并学习策略。DQN必要通晓接收图像,具有图像识别能力。卷积神经网络,利用可领取空间组织新闻卷积层抽取特征。卷积层提取图像中关键目的特征传给后层做分类、回归。DQN用卷积层做强化学习训练,依据条件图像输出决策。

其次个Trick。Experience Replay。深度学习供给大批量样本,守旧Q-Learning
online
update方法(逐一对新样本学习)不吻合DQN。增大样本,三个epoch训练,图像反复使用。Experience
Replay,储存Agent
Experience样本,每趟磨炼随机抽取部分样本供互联网学习。稳定形成学习任务,防止短视只学习最新接触样本,综合反复使用过往大批量样本学习。成立储存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,保障超过3/6样本相近可能率被抽到。不替换旧样本,练习进程被抽到概率永远比新样本高很多。每一回要求练习样本,直接从buffer随机抽取一定量给DQN练习,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互联网援救操练,target
DQN,帮助总计指标Q值,提供学习目的公式里的maxaQ(st+1,a)。八个互连网,三个制作学习指标,2个事实上练习,让Q-Learning演练指标保持安澜。强化学习
Q-Learning学习指标每趟变更,学习目的分部是模型本人输出,每趟换代模型参数会招致学习指标转移,更新往往幅度大,磨练进度会那多少个不稳定、失控,DQN操练会深陷指标Q值与展望Q值反馈循环(陷入震荡发散,难消失)。需求安静target
DQN帮助网络总结目的Q值。target
DQN,低频率、缓慢学习,输出目的Q值波动较小,减小磨炼进度影响。

第⑥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被高估超过最优Action。target DQN
负责生成指标Q值,首发生Q(st+1,a),再通过maxa选拔最大Q值。Double
DQN,在主DQN上经过最大Q值选取Action,再赢得Action在target DQN
Q值。主网采取Action,targetDQN生成Action
Q值。被挑选Q值,不必然总是最大,防止被高估次优Action总是超越最优Action,导致发现不了真正最好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,一部分静态环境处境有所价值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)。网络独家计算环境Value和选取Action
Advantage。Advantage,Action与此外Action相比,零均值。互连网最终,不再直接输出Action数量Q值,输出2个Value,及Action数量
Advantage值。V值分别加到每一个Advantage值上,得最终结果。让DQN学习目的更让人惊叹,假若超过前时代望价值紧要由环境景况控制,Value值大,全部Advantage波动十分的小;倘使期待价值主要由Action决定,Value值小,Advantage波动大。分解让学习指标更安宁、精确,DQN对环境情形估量能力更强。

落到实处带Trick DQN。职分环境
GridWorld导航类水言纟工。GridWorld包括3个hero,五个goal,3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1),避开fire(奖励值-1)。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职务环境。载入正视库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,磨炼时间长,os定期储存模型文件。

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

创制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4,早先化环境物体对象列表。self.reset()方法重置环境,获得先导observation(GridWorld图像),plt.imshow显示observation。

概念环境reset方法。创造全体GridWorld物体,三个hero(用户控制目的)、陆个goal(reward
1)、3个fire(reward
-1),添加到物体对象列表self.objects。self.newPosition()创立物体地点,随机选用没有被私吞新岗位。物有物体size、intensity
1,hero channel 2(铁黄),goal channel 1(蓝色),fire channel
0(米白)。self.renderEnv()绘制GridWorld图像,state。

完毕移动铁汉剧中人物方法,传入值0、1、2、3多少个数字,分别表示上、下、左、右。函数遵照输入操作铁汉移动。若是运动该方向会导致豪杰出界,不会举办其它活动。

概念newPosition方法,选用3个跟现有物体不争持地点。itertools.product方法获得多少个变量全体组成,创立环境size允许全体职位集合points,获取如今抱有物体地方集合currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机抽取二个可用位置再次回到。

新普金娱乐,定义checkGoal函数。检查hero是不是触碰goal、fire。从objects获取hero,其余物体对象放置others列表。编历others列表,假若物体和坐标与hero完全一致,判定触碰。依据触碰物体销毁,self.newPosition()方法在随心所欲地方再度生成物体,再次来到物体reward值(goal
1,fire -1)。

创立长宛size+2、颜色通道数 3
图片。开端值全1,代表全天灰。最外侧内部像素颜色值全部赋0,代表米黄。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,符合规律游玩图像尺寸。

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()检查和测试hero是不是触碰物体,获得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,成立5×5大小GridWorld环境,每趟成立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,磨炼时间更长。

规划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84x84x3=21168向量,恢复成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d开立第一个卷积层,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开端化器空。用4×4幅度和VALID模型padding,第贰层卷积输出维度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。第四层卷积尺寸7×7,步长1×1,输出通道数512,空间尺寸只允许在二个岗位卷积,,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带来的价值)和Value
Function(环境本人价值)。tf.split函数第3参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。创立streamA和streamV线性全连接层参数AW和VW。tf.random_normal初步化权重,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
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,均值总结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采纳,Q值由帮助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总括targetQ和Q均方误差,学习速率1e-4
Adam优化器优化预测Q值和对象Q值偏差。

实现Experience Replay策略。定义experience_buffer
class。早先化定义buffer_size存款和储蓄样本最大体量,成立buffer列表。定义向经buffer添法郎素方法。如若跨越buffer最大体积,清空最早样本,列表末尾添加新成分。定义样本抽样方式,用random.sample()函数随机抽取一定数额样本。

概念84x84x3 states扁平化 1维向量函数processState,方便后边堆叠样本。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法立异模型参数)。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2/4参数,主DQN模型参数。再令援助targetDQN参数朝向主DQN参数前进一点都不大比例(tau,0.001),target
DQN缓慢学习主DQN。训练时,指标Q值没办法在四遍迭代间波动太大,练习十三分不安定、失控,陷入指标Q值和预测Q值反馈循环。供给安静目的Q值操练互连网,缓慢学习target
DQN网络出口指标Q值,主互联网优化指标Q值和展望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创立创新target
DQN模型参数操作,函数updateTarget执行操作。

DQN互联网练习进度参数。batch_size,每一遍从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step执行2次模型参数更新,4。Q值衰减周到(discount
factor)γ,0.99。startE早先执行随机Action可能率。endE最后实施随机Action概率。anneling_steps从早先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选取Action前进行多少步随机Action测试。max_epLength每一个episode实行多少步Action。load_model是还是不是读取从前磨炼模型。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类初叶化mainQN和帮助targetQN。开端化全体模型参数。trainables获取具有可磨练参数。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可能率e,总括e每一步衰减值stepDrop。初步化储存各样episode的reward列表rList,总步数total_steps。创造模型锻练保存器(Saver)检查保存目录是还是不是留存。

创制私下认可Session,假使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。创立GridWorld试验循环,创制每种episode内部experience_buffer,内部buffer不参与当前迭代替练习练,锻练只使用从前episode样本。起首化环境得第二个条件音信s,processState()函数扁平化。初叶化默许done标记d、episode内总reward值rAll、episode内步数j。

始建内层循环,每一回迭代执行Action。总步数紧跟于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧进度。达到pre_train_steps,保留较小可能率随机选用Action。不随机选取Action,传入当前状态s给主DQN,预测获得应该执行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,持续下滑随机选择Action可能率e,直到最低值endE。每当总步数达到update_freq整数部,举办1遍磨炼,模型参数更新。从myBuffer中sample出五个batch_size样本。演练样本第叁列音信,下一场合s1,传入mainQN,执行main.predict,获得主模型选用Action。s1传诵协助targetQN,获得s1状态下全部Action的Q值。mainQN输出Action
,采纳targetQN输出Q,得到doubleQ。三个DQN网络把采取Action和出口Q值几个操作分隔开分离,Double
DQN。陶冶样本第三列信息,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和骨子里使用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完结叁次操练进度。每一种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。假如done标记为True,直接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作现在演习抽样数据集。当前episode
reward添加到rList。每2三个episode突显平均reward值。每一千个episode或任何教练成功,保存当前模型。

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

陶冶最终episode输出,平均reward 22,非常的大升高。

测算每玖17个episode平均reward,plt.plot体现reward变化趋势。从第拾00个episode伊始,reward神速进步,到第④000个episode基本达到规定的标准巅峰,后边进去平台期,进步一点都不大。

    import numpy as np
    import random
    import tensorflow as tf
    import os
    %matplotlib inline
    from gridworld import gameEnv
    env = gameEnv(size=5)
    class Qnetwork():
        def __init__(self,h_size):
            #The network recieves a frame from the game, flattened into an array.
            #It then resizes it and processes it through four convolutional layers.
            self.scalarInput =  tf.placeholder(shape=[None,21168],dtype=tf.float32)
            self.imageIn = tf.reshape(self.scalarInput,shape=[-1,84,84,3])
            self.conv1 = tf.contrib.layers.convolution2d( \
                inputs=self.imageIn,num_outputs=32,kernel_size=[8,8],stride=[4,4],padding='VALID', biases_initializer=None)
            self.conv2 = tf.contrib.layers.convolution2d( \
                inputs=self.conv1,num_outputs=64,kernel_size=[4,4],stride=[2,2],padding='VALID', biases_initializer=None)
            self.conv3 = tf.contrib.layers.convolution2d( \
                inputs=self.conv2,num_outputs=64,kernel_size=[3,3],stride=[1,1],padding='VALID', biases_initializer=None)
            self.conv4 = tf.contrib.layers.convolution2d( \
                inputs=self.conv3,num_outputs=512,kernel_size=[7,7],stride=[1,1],padding='VALID', biases_initializer=None)

            #We take the output from the final convolutional layer and split it into separate advantage and value streams.
            self.streamAC,self.streamVC = tf.split(self.conv4,2,3)
            self.streamA = tf.contrib.layers.flatten(self.streamAC)
            self.streamV = tf.contrib.layers.flatten(self.streamVC)
            self.AW = tf.Variable(tf.random_normal([h_size//2,env.actions]))
            self.VW = tf.Variable(tf.random_normal([h_size//2,1]))
            self.Advantage = tf.matmul(self.streamA,self.AW)
            self.Value = tf.matmul(self.streamV,self.VW)

            #Then combine them together to get our final Q-values.
            self.Qout = self.Value + tf.subtract(self.Advantage,tf.reduce_mean(self.Advantage,reduction_indices=1,keep_dims=True))
            self.predict = tf.argmax(self.Qout,1)

            #Below we obtain the loss by taking the sum of squares difference between the target and prediction Q values.
            self.targetQ = tf.placeholder(shape=[None],dtype=tf.float32)
            self.actions = tf.placeholder(shape=[None],dtype=tf.int32)
            self.actions_onehot = tf.one_hot(self.actions,env.actions,dtype=tf.float32)

            self.Q = tf.reduce_sum(tf.multiply(self.Qout, self.actions_onehot), reduction_indices=1)

            self.td_error = tf.square(self.targetQ - self.Q)
            self.loss = tf.reduce_mean(self.td_error)
            self.trainer = tf.train.AdamOptimizer(learning_rate=0.0001)
            self.updateModel = self.trainer.minimize(self.loss)

    class experience_buffer():
        def __init__(self, buffer_size = 50000):
            self.buffer = []
            self.buffer_size = buffer_size

        def add(self,experience):
            if len(self.buffer) + len(experience) >= self.buffer_size:
                self.buffer[0:(len(experience)+len(self.buffer))-self.buffer_size] = []
            self.buffer.extend(experience)

        def sample(self,size):
            return np.reshape(np.array(random.sample(self.buffer,size)),[size,5])

    def processState(states):
        return np.reshape(states,[21168])

    def updateTargetGraph(tfVars,tau):
        total_vars = len(tfVars)
        op_holder = []
        for idx,var in enumerate(tfVars[0:total_vars//2]):
            op_holder.append(tfVars[idx+total_vars//2].assign((var.value()*tau) + ((1-tau)*tfVars[idx+total_vars//2].value())))
        return op_holder
    def updateTarget(op_holder,sess):
        for op in op_holder:
            sess.run(op)
    batch_size = 32 #How many experiences to use for each training step.
    update_freq = 4 #How often to perform a training step.
    y = .99 #Discount factor on the target Q-values
    startE = 1 #Starting chance of random action
    endE = 0.1 #Final chance of random action
    anneling_steps = 10000. #How many steps of training to reduce startE to endE.
    num_episodes = 10000#How many episodes of game environment to train network with.
    pre_train_steps = 10000 #How many steps of random actions before training begins.
    max_epLength = 50 #The max allowed length of our episode.
    load_model = False #Whether to load a saved model.
    path = "./dqn" #The path to save our model to.
    h_size = 512 #The size of the final convolutional layer before splitting it into Advantage and Value streams.
    tau = 0.001 #Rate to update target network toward primary network
    tf.reset_default_graph()
    mainQN = Qnetwork(h_size)
    targetQN = Qnetwork(h_size)
    init = tf.global_variables_initializer()
    trainables = tf.trainable_variables()
    targetOps = updateTargetGraph(trainables,tau)
    myBuffer = experience_buffer()
    #Set the rate of random action decrease. 
    e = startE
    stepDrop = (startE - endE)/anneling_steps
    #create lists to contain total rewards and steps per episode
    rList = []
    total_steps = 0
    #Make a path for our model to be saved in.
    saver = tf.train.Saver()
    if not os.path.exists(path):
        os.makedirs(path)
    #%%
    with tf.Session() as sess:
        if load_model == True:
            print('Loading Model...')
            ckpt = tf.train.get_checkpoint_state(path)
            saver.restore(sess,ckpt.model_checkpoint_path)
        sess.run(init)
        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
        for i in range(num_episodes+1):
            episodeBuffer = experience_buffer()
            #Reset environment and get first new observation
            s = env.reset()
            s = processState(s)
            d = False
            rAll = 0
            j = 0
            #The Q-Network
            while j < max_epLength: #If the agent takes longer than 200 moves to reach either of the blocks, end the trial.
                j+=1
                #Choose an action by greedily (with e chance of random action) from the Q-network
                if np.random.rand(1) < e or total_steps < pre_train_steps:
                    a = np.random.randint(0,4)
                else:
                    a = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:[s]})[0]
                s1,r,d = env.step(a)
                s1 = processState(s1)
                total_steps += 1
                episodeBuffer.add(np.reshape(np.array([s,a,r,s1,d]),[1,5])) #Save the experience to our episode buffer.

                if total_steps > pre_train_steps:
                    if e > endE:
                        e -= stepDrop

                    if total_steps % (update_freq) == 0:
                        trainBatch = myBuffer.sample(batch_size) #Get a random batch of experiences.
                        #Below we perform the Double-DQN update to the target Q-values
                        A = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,3])})
                        Q = sess.run(targetQN.Qout,feed_dict={targetQN.scalarInput:np.vstack(trainBatch[:,3])})
                        doubleQ = Q[range(batch_size),A]
                        targetQ = trainBatch[:,2] + y*doubleQ
                        #Update the network with our target values.
                        _ = sess.run(mainQN.updateModel, \
                            feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,0]),mainQN.targetQ:targetQ, mainQN.actions:trainBatch[:,1]})

                        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
                rAll += r
                s = s1

                if d == True:
                    break

            #Get all experiences from this episode and discount their rewards.
            myBuffer.add(episodeBuffer.buffer)
            rList.append(rAll)
            #Periodically save the model.
            if i>0 and i % 25 == 0:
                print('episode',i,', average reward of last 25 episode',np.mean(rList[-25:]))
            if i>0 and i % 1000 == 0:
                saver.save(sess,path+'/model-'+str(i)+'.cptk')
                print("Saved Model")            
        saver.save(sess,path+'/model-'+str(i)+'.cptk')
    #%%
    rMat = np.resize(np.array(rList),[len(rList)//100,100])
    rMean = np.average(rMat,1)
    plt.plot(rMean)

 

参考资料:
《TensorFlow实战》

欢迎付费咨询(150元每时辰),笔者的微信: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)。一九八七年,沃特kins建议。收敛性,1991年,沃特kins和Dayan共同证…

Q-Learning目的,求解函数Q(st,at),根据当前环境景况,估摸Action期望价值。Q-Learning磨练模型,以(状态、行为、奖励、下一状态)构成元组(st,at,rt+1,st+1)样本磨练,st当前状态,at当前情景下执行action,rt+1执行Action后获得褒奖,st+1下一动静,(当前场合,行动,奖励,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拿到Reward,加下一步可收获最大期待价值,当前景况行动奖励,加下一情形行动最大梦想价值。学习指标包蕴Q-Learning函数本人,递归求解。下一步可获最大期待价值乘γ(衰减周详discount
factor),今后奖励的求学权重。discount factor
0,模型学习不到任何今后嘉奖新闻,变短视,只关怀如今补益。discount factor
>=
1,算法可能不只怕消灭,期望价值不断累加没有衰减(discount),期望价值发散。discount
factor一般比1稍小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习进度式子。旧Q-Learning函数Qold(st,at),向学习目的(当前拿走Reward加下一步可得到最大期待价值),按较小学习速率α学习,得到新Q-Learning函数Qnew(st,at)。学习速率决定新取得样本消息覆盖率前左右到音信比率,日常设较小值,保险学习过程稳定,确定保障最终收敛性。Q-Learning须要初阶值Q0,对比高初阶值,鼓励模型多探索。

读书Q-Learning模型用神经互联网,获得模型是估值网络。用相比深的神经互联网,正是DQN。谷歌(Google)DeepMind,《Nature》故事集,《Human-level control through deep
reinforcement
learning》建议。DeepMind用DQN创制达标人类专家水平玩Atari2600体系游戏Agent。

state of the art DQN
Trick。第一个Trick。DQN引入卷积层。模型通过Atari游戏录像图像掌握环境信息并学习策略。DQN要求知道接收图像,具有图像识别能力。卷积神经互连网,利用可领取空间组织新闻卷积层抽取特征。卷积层提取图像中根本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,依照条件图像输出决策。

第三个Trick。Experience Replay。深度学习必要多量样书,古板Q-Learning
online
update方法(逐一对新样本学习)不符合DQN。增大样本,四个epoch练习,图像反复使用。Experience
Replay,储存Agent
Experience样本,每回练习随机抽取部分样书供网络学习。稳定形成学习职务,防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。成立储存Experience缓存buffer,储存一定量较新样本。容积满了,用新样本替换最旧样本,保险抢先百分之五十样本相近可能率被抽到。不替换旧样本,陶冶进程被抽到可能率永远比新样本高很多。每便必要陶冶样本,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。

其多个Trick。用首个DQN网络辅助陶冶,target
DQN,支持计算指标Q值,提供就学目的公式里的maxaQ(st+1,a)。四个网络,一个创设学习指标,1个实际上磨练,让Q-Learning磨炼目的保持安澜。强化学习
Q-Learning学习目的每趟变更,学习目的分部是模型本人输出,每一次换代模型参数会导致学习目的转移,更新往往幅度大,训练进度会那么些不地西泮、失控,DQN磨练会深陷指标Q值与揣摸Q值反馈循环(陷入震荡发散,难消失)。须求稳定target
DQN帮忙网络总括目的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。

第伍个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
负责生成目的Q值,先爆发Q(st+1,a),再通过maxa采纳最大Q值。Double
DQN,在主DQN上经过最大Q值接纳Action,再获得Action在target DQN
Q值。主网选拔Action,targetDQN生成Action
Q值。被挑选Q值,不必然总是最大,幸免被高估次优Action总是超越最优Action,导致发现不了真正最好Action。学习目的公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a)))。

第四个Trick。Dueling DQN。谷歌 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,一部分静态环境景况有所价值V(st),Value;另一有些动态选拔Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总括环境Value和抉择Action
Advantage。Advantage,Action与任何Action相比较,零均值。互联网最终,不再直接输出Action数量Q值,输出二个Value,及Action数量
Advantage值。V值分别加到每一个Advantage值上,得最后结果。让DQN学习目的更明白,假使当前梦想价值首要由环境情况控制,Value值大,全数Advantage波动相当小;假设希望价值首要由Action决定,Value值小,Advantage波动大。分解让学习目的更安宁、精确,DQN对环境意况估算能力更强。

达成带Trick DQN。义务环境
GridWorld导航类水言纟工。GridWorld包括3个hero,伍个goal,三个fire。控制hero移动,每便向上、下、左、右方向移动一步,多触碰goal(奖励值1),避开fire(奖励值-1)。游戏目的,限度步数内获得最多分数。Agent
直接通过GridWorld图像学习决定hero移动最优政策。

创建GridWorld任务环境。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。

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

开创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4,开端化环境物体对象列表。self.reset()方法重置环境,获得起头observation(GridWorld图像),plt.imshow体现observation。

概念环境reset方法。创设全体GridWorld物体,二个hero(用户控制目的)、5个goal(reward
1)、三个fire(reward
-1),添加到实体对象列表self.objects。self.newPosition()创设物体地方,随机选拔没有被挤占新岗位。物有物体size、intensity
1,hero channel 2(深黑),goal channel 1(黑色),fire channel
0(青色)。self.renderEnv()绘制GridWorld图像,state。

贯彻活动英雄剧中人物方法,传入值0、1、2、3多个数字,分别表示上、下、左、右。函数依照输入操作英豪移动。若是移动该方向会导致英豪出界,不会进展其余活动。

概念newPosition方法,选用贰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,创设环境size允许持有职位集合points,获取最近享有物体地点集合currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽取二个可用地点重回。

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,假如物体和坐标与hero完全一致,判定触碰。依据触碰物体销毁,self.newPosition()方法在任意地点再一次生成物体,再次回到物体reward值(goal
1,fire -1)。

创设长宛size+2、颜色通道数 3
图片。起初值全1,代表全樱草黄。最外侧内部像素颜色值全体赋0,代表湖蓝。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原始大小resize
84x84x3尺寸,平常游玩图像尺寸。

概念GridWorld环境进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检查和测试hero是不是触碰物体,获得reward、done标记。self.renderEnv获取环境图像state,再次回到state、reward、done。

调用gameEnv类开端化方法,设置size
5,成立5×5大小GridWorld环境,每一趟创建GridWorld环境随机生成。小尺寸环境相对容术数习,大尺寸较难,磨炼时间更长。

统一筹划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84x84x3=21168向量,恢复生机成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创建第②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开始化器空。用4×4宽度和VALID模型padding,第③层卷积输出维度20x20x32。第叁层卷积尺寸4×4,步长2×2,输出通道数64,输出维度9x9x64。第一层卷积尺寸3×3,步长1×1,输出通道数64,输出维度7x7x64。第五层卷积尺寸7×7,步长1×1,输出通道数512,空间尺寸只允许在三个岗位卷积,,输出维度1x1x512。

tf.split(),第⑤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(环境本身价值)。tf.split函数第3参数代表要拆分成几段。第叁参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起始化权重,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
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。总结目的Q值,action由主DQN选拔,Q值由协理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都源于主DQN)。

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

实现Experience Replay策略。定义experience_buffer
class。开端化定义buffer_size存款和储蓄样本最大体积,创设buffer列表。定义向经buffer添新币素方法。要是超过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额样本。

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

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法创新模型参数)。输入变量tfVars,TensorFlow
Graph全体参数。tau,target
DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前二分之一参数,主DQN模型参数。再令协助targetDQN参数朝向主DQN参数前进十分的小比例(tau,0.001),target
DQN缓慢学习主DQN。训练时,指标Q值无法在五回迭代间波动太大,磨炼11分不平静、失控,陷入指标Q值和展望Q值反馈循环。供给稳定目的Q值陶冶互联网,缓慢学习target
DQN互连网出口目的Q值,主互连网优化目的Q值和预测Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创制立异target
DQN模型参数操作,函数updateTarget执行操作。

DQN互连网磨炼进程参数。batch_size,每一次从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step执行一遍模型参数更新,4。Q值衰减周详(discount
factor)γ,0.99。startE开端执行随机Action概率。endE最后实施随机Action概率。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环境试验。pre_train_steps正式用DQN选取Action前进行多少步随机Action测试。max_epLength每一种episode举行多少步Action。load_model是还是不是读取此前磨练模型。path模型储存路径。h_size是DQN互连网最后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和帮忙targetQN。早先化全数模型参数。trainables获取具有可磨练参数。updateTargetGraph成立立异target
DQN模型参数操作。

experience_buffer成立experience replay
class,设置当前随机Action概率e,总结e每一步衰减值stepDrop。开始化储存各个episode的reward列表rList,总步数total_steps。成立模型陶冶保存器(Saver)检查保存目录是还是不是存在。

创设私下认可Session,借使load_model标志True,检查模型文件路径checkpoint,读取载入已保存模型。执行参数伊始化操作,执行更新targetQN模型参数操作。创造GridWorld试验循环,创设每种episode内部experience_buffer,内部buffer不加入当前迭代替磨练练,磨练只使用此前episode样本。初步化环境得第二个环境音信s,processState()函数扁平化。初始化暗中同意done标记d、episode内总reward值rAll、episode内步数j。

创造内层循环,每一趟迭代执行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选择Action。不随机选用Action,传入当前状态s给主DQN,预测获得应该执行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,持续下跌随机选取Action可能率e,直到最低值endE。每当总步数达到update_freq整数部,举行一次磨练,模型参数更新。从myBuffer中sample出1个batch_size样本。操练样本第③列新闻,下一动静s1,传入mainQN,执行main.predict,得到主模型选拔Action。s1传到协理targetQN,得到s1状态下有所Action的Q值。mainQN输出Action
,采取targetQN输出Q,得到doubleQ。五个DQN互连网把挑选Action和输出Q值五个操作分隔离,Double
DQN。演习样本第③列音讯,当前reward,加doubleQ乘以衰减全面γ,得到学习目的targetQ。传入当前状态s,学习指标targetQ和事实上运用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完成一遍练习进度。各类step截至,累计当前这步获取reward,更新当前气象为下一步试验做准备。如若done标记为True,直接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作现在练习抽样数据集。当前episode
reward添加到rList。每2四个episode展现平均reward值。每壹仟个episode或任何教练成功,保存当前模型。

始发200个episode内,完全随机Action的前一千0步内,平均可以获取reward在2邻近,基础baseline。

练习最后episode输出,平均reward 22,非常大升高。

总括每9陆个episode平均reward,plt.plot显示reward变化趋势。从第⑦00个episode先导,reward火速进步,到第5000个episode基本达到顶峰,前面进去平台期,升高不大。

    import numpy as np
    import random
    import tensorflow as tf
    import os
    %matplotlib inline
    from gridworld import gameEnv
    env = gameEnv(size=5)
    class Qnetwork():
        def __init__(self,h_size):
            #The network recieves a frame from the game, flattened into an array.
            #It then resizes it and processes it through four convolutional layers.
            self.scalarInput =  tf.placeholder(shape=[None,21168],dtype=tf.float32)
            self.imageIn = tf.reshape(self.scalarInput,shape=[-1,84,84,3])
            self.conv1 = tf.contrib.layers.convolution2d( \
                inputs=self.imageIn,num_outputs=32,kernel_size=[8,8],stride=[4,4],padding='VALID', biases_initializer=None)
            self.conv2 = tf.contrib.layers.convolution2d( \
                inputs=self.conv1,num_outputs=64,kernel_size=[4,4],stride=[2,2],padding='VALID', biases_initializer=None)
            self.conv3 = tf.contrib.layers.convolution2d( \
                inputs=self.conv2,num_outputs=64,kernel_size=[3,3],stride=[1,1],padding='VALID', biases_initializer=None)
            self.conv4 = tf.contrib.layers.convolution2d( \
                inputs=self.conv3,num_outputs=512,kernel_size=[7,7],stride=[1,1],padding='VALID', biases_initializer=None)

            #We take the output from the final convolutional layer and split it into separate advantage and value streams.
            self.streamAC,self.streamVC = tf.split(self.conv4,2,3)
            self.streamA = tf.contrib.layers.flatten(self.streamAC)
            self.streamV = tf.contrib.layers.flatten(self.streamVC)
            self.AW = tf.Variable(tf.random_normal([h_size//2,env.actions]))
            self.VW = tf.Variable(tf.random_normal([h_size//2,1]))
            self.Advantage = tf.matmul(self.streamA,self.AW)
            self.Value = tf.matmul(self.streamV,self.VW)

            #Then combine them together to get our final Q-values.
            self.Qout = self.Value + tf.subtract(self.Advantage,tf.reduce_mean(self.Advantage,reduction_indices=1,keep_dims=True))
            self.predict = tf.argmax(self.Qout,1)

            #Below we obtain the loss by taking the sum of squares difference between the target and prediction Q values.
            self.targetQ = tf.placeholder(shape=[None],dtype=tf.float32)
            self.actions = tf.placeholder(shape=[None],dtype=tf.int32)
            self.actions_onehot = tf.one_hot(self.actions,env.actions,dtype=tf.float32)

            self.Q = tf.reduce_sum(tf.multiply(self.Qout, self.actions_onehot), reduction_indices=1)

            self.td_error = tf.square(self.targetQ - self.Q)
            self.loss = tf.reduce_mean(self.td_error)
            self.trainer = tf.train.AdamOptimizer(learning_rate=0.0001)
            self.updateModel = self.trainer.minimize(self.loss)

    class experience_buffer():
        def __init__(self, buffer_size = 50000):
            self.buffer = []
            self.buffer_size = buffer_size

        def add(self,experience):
            if len(self.buffer) + len(experience) >= self.buffer_size:
                self.buffer[0:(len(experience)+len(self.buffer))-self.buffer_size] = []
            self.buffer.extend(experience)

        def sample(self,size):
            return np.reshape(np.array(random.sample(self.buffer,size)),[size,5])

    def processState(states):
        return np.reshape(states,[21168])

    def updateTargetGraph(tfVars,tau):
        total_vars = len(tfVars)
        op_holder = []
        for idx,var in enumerate(tfVars[0:total_vars//2]):
            op_holder.append(tfVars[idx+total_vars//2].assign((var.value()*tau) + ((1-tau)*tfVars[idx+total_vars//2].value())))
        return op_holder
    def updateTarget(op_holder,sess):
        for op in op_holder:
            sess.run(op)
    batch_size = 32 #How many experiences to use for each training step.
    update_freq = 4 #How often to perform a training step.
    y = .99 #Discount factor on the target Q-values
    startE = 1 #Starting chance of random action
    endE = 0.1 #Final chance of random action
    anneling_steps = 10000. #How many steps of training to reduce startE to endE.
    num_episodes = 10000#How many episodes of game environment to train network with.
    pre_train_steps = 10000 #How many steps of random actions before training begins.
    max_epLength = 50 #The max allowed length of our episode.
    load_model = False #Whether to load a saved model.
    path = "./dqn" #The path to save our model to.
    h_size = 512 #The size of the final convolutional layer before splitting it into Advantage and Value streams.
    tau = 0.001 #Rate to update target network toward primary network
    tf.reset_default_graph()
    mainQN = Qnetwork(h_size)
    targetQN = Qnetwork(h_size)
    init = tf.global_variables_initializer()
    trainables = tf.trainable_variables()
    targetOps = updateTargetGraph(trainables,tau)
    myBuffer = experience_buffer()
    #Set the rate of random action decrease. 
    e = startE
    stepDrop = (startE - endE)/anneling_steps
    #create lists to contain total rewards and steps per episode
    rList = []
    total_steps = 0
    #Make a path for our model to be saved in.
    saver = tf.train.Saver()
    if not os.path.exists(path):
        os.makedirs(path)
    #%%
    with tf.Session() as sess:
        if load_model == True:
            print('Loading Model...')
            ckpt = tf.train.get_checkpoint_state(path)
            saver.restore(sess,ckpt.model_checkpoint_path)
        sess.run(init)
        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
        for i in range(num_episodes+1):
            episodeBuffer = experience_buffer()
            #Reset environment and get first new observation
            s = env.reset()
            s = processState(s)
            d = False
            rAll = 0
            j = 0
            #The Q-Network
            while j < max_epLength: #If the agent takes longer than 200 moves to reach either of the blocks, end the trial.
                j+=1
                #Choose an action by greedily (with e chance of random action) from the Q-network
                if np.random.rand(1) < e or total_steps < pre_train_steps:
                    a = np.random.randint(0,4)
                else:
                    a = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:[s]})[0]
                s1,r,d = env.step(a)
                s1 = processState(s1)
                total_steps += 1
                episodeBuffer.add(np.reshape(np.array([s,a,r,s1,d]),[1,5])) #Save the experience to our episode buffer.

                if total_steps > pre_train_steps:
                    if e > endE:
                        e -= stepDrop

                    if total_steps % (update_freq) == 0:
                        trainBatch = myBuffer.sample(batch_size) #Get a random batch of experiences.
                        #Below we perform the Double-DQN update to the target Q-values
                        A = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,3])})
                        Q = sess.run(targetQN.Qout,feed_dict={targetQN.scalarInput:np.vstack(trainBatch[:,3])})
                        doubleQ = Q[range(batch_size),A]
                        targetQ = trainBatch[:,2] + y*doubleQ
                        #Update the network with our target values.
                        _ = sess.run(mainQN.updateModel, \
                            feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,0]),mainQN.targetQ:targetQ, mainQN.actions:trainBatch[:,1]})

                        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
                rAll += r
                s = s1

                if d == True:
                    break

            #Get all experiences from this episode and discount their rewards.
            myBuffer.add(episodeBuffer.buffer)
            rList.append(rAll)
            #Periodically save the model.
            if i>0 and i % 25 == 0:
                print('episode',i,', average reward of last 25 episode',np.mean(rList[-25:]))
            if i>0 and i % 1000 == 0:
                saver.save(sess,path+'/model-'+str(i)+'.cptk')
                print("Saved Model")            
        saver.save(sess,path+'/model-'+str(i)+'.cptk')
    #%%
    rMat = np.resize(np.array(rList),[len(rList)//100,100])
    rMean = np.average(rMat,1)
    plt.plot(rMean)

 

参考资料:
《TensorFlow实战》

迎接付费咨询(150元每小时),小编的微信:qingxingfengzi

相关文章