兑现估值网络

Q-Learning,学习Action对应期望值(Expected
Utility)。1玖八8年,沃特kins建议。收敛性,1九玖2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,总希望得到最大价值(Q值、Value)。Action->Q函数,最好策略,在各类state下,选拔Q值最高的Action。不倚重环境模型。有限马尔科夫决策进程(马克ov
Dectision Process) ,Q-Learning被验证最后可以找到最优政策。

学学笔记TF038:完结估值网络,tf038估值

Q-Learning,学习Action对应期望值(Expected
Utility)。一九八七年,沃特kins提议。收敛性,1995年,沃特kins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,最好策略,在每一个state下,选用Q值最高的Action。不注重环境模型。有限马尔科夫决策进度(Markov
Dectision Process) ,Q-Learning被证实最后能够找到最优政策。

Q-Learning目的,求解函数Q(st,at),根据当下条件气象,推断Action期望价值。Q-Learning锻炼模型,以(状态、行为、奖励、下1情景)构成元组(st,at,rt+一,st+1)样本磨炼,st当前情景,at当前场地下执行action,rt+壹执行Action后获取褒奖,st+一下一气象,(当前气象,行动,奖励,下1景色)。特征(st,at)。学习指标(期望价值)
rt+壹+γ·maxaQ(st+一,a),当前Action获得Reward,加下一步可获得最大梦想价值,当前事态行动奖励,加下一状态行动最大希望价值。学习指标包括Q-Learning函数自个儿,递归求解。下一步可获最大梦想价值乘γ(衰减周详discount
factor),今后嘉奖的读书权重。discount factor
0,模型学习不到任何今后嘉奖消息,变短视,只关切当下补益。discount factor
>=
一,算法也许无法消失,期望价值持续添加未有衰减(discount),期望价值发散。discount
factor壹般比1稍小。Qnew(st,at)<-(一-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+一,a)),Q-Learning学习进程式子。旧Q-Learning函数Qold(st,at),向学习目的(当前到手Reward加下一步可取得最大希望价值),按较小学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新收获样本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,确定保证最终收敛性。Q-Learning须求初始值Q0,相比较高早先值,鼓励模型多探索。

上学Q-Learning模型用神经互连网,获得模型是估值网络。用比较深的神经网络,正是DQN。GoogleDeepMind,《Nature》杂文,《Human-level control through deep
reinforcement
learning》建议。DeepMind用DQN成立达到规定的标准人类专家水平玩Atari2600种类游戏Agent。

state of the art DQN
Trick。第一个Trick。DQN引进卷积层。模型通过Atari游戏录像图像通晓环境音信并学习策略。DQN须求精通接收图像,具有图像识别能力。卷积神经互连网,利用可领到空间组织音信卷积层抽取特征。卷积层提取图像中首要指标特征传给后层做分类、回归。DQN用卷积层做强化学习磨炼,依照条件图像输出决策。

第一个Trick。Experience Replay。深度学习需求多量样书,守旧Q-Learning
online
update方法(逐1对新样本学习)不相符DQN。增大样本,多个epoch磨炼,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。稳定形成学习义务,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。创设储存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,保证超过5/10样本相近可能率被抽到。不替换旧样本,练习进程被抽到可能率永远比新样本高很多。每一回必要练习样本,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。

其多个Trick。用第二个DQN网络帮忙练习,target
DQN,帮衬计算指标Q值,提供就学目标公式里的maxaQ(st+壹,a)。五个互联网,三个制作学习指标,二个其实验和培养和练习练,让Q-Learning磨炼目的保持安澜。强化学习
Q-Learning学习指标每回变更,学习目的分部是模型本身输出,每一次换代模型参数会招致学习目的转移,更新往往幅度大,训练进度会格外不稳定、失控,DQN磨练会深陷目的Q值与展望Q值反馈循环(陷入震荡发散,难消失)。须要安静target
DQN帮忙互连网总计目的Q值。target
DQN,低频率、缓慢学习,输出目的Q值波动较小,减小练习进程影响。

第五个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。守旧DQN高估Action
Q值,高估不均匀,导致次优Action被高估超越最优Action。target DQN
负责生成目的Q值,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值选用Action,再获得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总是当先最优Action,导致发现不了真正最佳Action。学习目的公式:Target=rt+一+γ·Qtarget(st+一,argmaxa(Qmain(st+一,a)))。

第多少个Trick。Dueling DQN。谷歌 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,一部分静态环境气象有所价值V(st),Value;另一有的动态选取Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总括环境Value和抉择Action
Advantage。Advantage,Action与其余Action相比,零均值。网络最后,不再直接输出Action数量Q值,输出贰个Value,及Action数量
Advantage值。V值分别加到种种Advantage值上,得最终结果。让DQN学习指标更简明,假诺当早先时期待价值主要由环境气象控制,Value值大,全数Advantage波动极小;假如期望价值首要由Action决定,Value值小,Advantage波动大。分解让学习目的更平稳、精确,DQN对环境意况预计能力更加强。

落实带Trick DQN。职分环境
GridWorld导航类水言纟工。GridWorld包蕴3个hero,伍个goal,1个fire。控制hero移动,每便向上、下、左、右方向移动一步,多触碰goal(奖励值一),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职分环境。载入注重库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,锻练时间长,os定期储存模型文件。

始建环境内物体对象class。环境物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(XC60GB颜色通道)、reward(奖励值)、name(名称)。

创制GridWorld环境class,初叶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,早先化环境物体对象列表。self.reset()方法重置环境,获得早先observation(GridWorld图像),plt.imshow突显observation。

概念环境reset方法。成立全数GridWorld物体,三个hero(用户控制目的)、陆个goal(reward
壹)、3个fire(reward
-1),添加到实体对象列表self.objects。self.newPosition()创建物体地点,随机挑选未有被占据新岗位。物有物体size、intensity
一,hero channel 二(松石绿),goal channel 一(樱草黄),fire channel
0(象牙黄)。self.renderEnv()绘制GridWorld图像,state。

金玉锦绣活动英豪剧中人物方法,传入值0、一、二、3七个数字,分别代表上、下、左、右。函数依据输入操作英豪移动。假设运动该方向会造成豪卓越界,不会进行其余活动。

概念newPosition方法,选拔三个跟现有物体不争持地点。itertools.product方法得到几个变量全部组成,成立环境size允许持有职位集合points,获取最近全数物体地方集合currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽取一个可用地方重临。

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,假设物体和坐标与hero完全1致,判定触碰。依据触碰物体销毁,self.newPosition()方法在4意地点再一次生成物体,重返物体reward值(goal
一,fire -1)。

开创长宛size+二、颜色通道数 叁图片。发轫值全一,代表全木色。最外面内部像素颜色值全体赋0,代表黑色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原来大小resize
84x八四x三尺寸,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地方,self.checkGoal()检查测试hero是还是不是触碰物体,获得reward、done标记。self.renderEnv获取环境图像state,重回state、reward、done。

调用gameEnv类起初化方法,设置size
伍,成立5x伍大小GridWorld环境,每便创制GridWorld环境随机生成。小尺寸环境相对不难学习,大尺寸较难,磨炼时间更加长。

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,扁平化长为八四x八四x叁=21168向量,恢复生机成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创设第二个卷积层,卷积核尺寸八x八,步长四x四,输出通道数(filter数量)3二,padding模型VALID,bias初步化器空。用4x四增长幅度和VALID模型padding,第二层卷积输出维度20x20x3二。第3层卷积尺寸四x四,步长2x二,输出通道数6肆,输出维度九x九x6四。第壹层卷积尺寸叁x三,步长1x一,输出通道数6四,输出维度柒x七x64。第肆层卷积尺寸7x七,步长一x一,输出通道数51二,空间尺寸只同意在贰个任务卷积,,输出维度1x壹x51贰。

tf.split(),第6个卷积层输出conv四平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的市场总值)和Value
Function(环境本人价值)。tf.split函数第壹参数代表要拆分成几段。第二参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。成立streamA和streamV线性全连接层参数AW和VW。tf.random_normal早先化权重,tf.matmul做全连接层矩阵乘法,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,均值总括tf.reduce_mean函数(reduce_indices
壹,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。总括指标Q值,action由主DQN选拔,Q值由扶助target
DQN生成。计算预测Q值,scalar情势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都来自主DQN)。

定义loss,tf.square、tf.reduce_mean总括targetQ和Q均方绝对误差,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。早先化定义buffer_size存储样本最大体积,创建buffer列表。定义向经buffer添美成分方法。借使超过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。

概念捌四x八四x三 states扁平化 一维向量函数processState,方便前面堆叠样本。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法立异模型参数)。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前四分之贰参数,主DQN模型参数。再令帮忙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。操练时,指标Q值无法在一遍迭代间波动太大,练习12分不地西泮、失控,陷入指标Q值和预测Q值反馈循环。要求安静目的Q值演练互连网,缓慢学习target
DQN网络出口指标Q值,主互连网优化指标Q值和展望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创造立异target
DQN模型参数操作,函数updateTarget执行操作。

DQN互联网练习进程参数。batch_size,每趟从experience
buffer获取样本数,3二。更新频率update_freq,每隔多少step执行叁回模型参数更新,4。Q值衰减周全(discount
factor)γ,0.9玖。startE先导执行随机Action可能率。endE最后实施随机Action可能率。anneling_steps从开首随机可能率降到最终随机可能率所需步数。num_episodes总共多少次GridWorld环境试验。pre_train_steps正式用DQN选取Action前进行多少步随机Action测试。max_epLength各类episode实行多少步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类早先化mainQN和协助targetQN。初步化全数模型参数。trainables获取具有可演练参数。updateTargetGraph创造革新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,总计e每一步衰减值stepDrop。早先化储存各个episode的reward列表rList,总步数total_steps。创制模型练习保存器(Saver)检查保存目录是还是不是留存。

开创默许Session,假诺load_model标志True,检查模型文件路径checkpoint,读取载入已封存模型。执行参数开头化操作,执行更新targetQN模型参数操作。成立GridWorld试验循环,创建每一个episode内部experience_buffer,内部buffer不加入当前迭代替陶冶练,磨练只利用以前episode样本。开始化环境得第2个环境消息s,processState()函数扁平化。开端化暗中认可done标记d、episode内总reward值rAll、episode内步数j。

成立内层循环,每趟迭代执行Action。总步数稍低于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧进度。达到pre_train_steps,保留较小可能率随机挑选Action。不随机选取Action,传入当前状态s给主DQN,预测得到相应执行Action。env.step()执行一步Action,获得接下来事态s一、reward、done标记。processState对s一扁平化处理,s、a、r、s壹、d传入episodeBuffer存储。

总步数超越pre_train_steps,持续回落随机挑选Action可能率e,直到最低值endE。每当总步数达到update_freq整数部,实行壹次陶冶,模型参数更新。从myBuffer中sample出二个batch_size样本。演习样本第二列音信,下一场合s一,传入mainQN,执行main.predict,获得主模型选拔Action。s1传来帮忙targetQN,获得s1状态下拥有Action的Q值。mainQN输出Action
,选取targetQN输出Q,获得doubleQ。多少个DQN网络把选拔Action和输出Q值五个操作分隔绝,Double
DQN。操练样本第二列新闻,当前reward,加doubleQ乘以衰减周全γ,获得学习目的targetQ。传入当前状态s,学习目的targetQ和实际采纳Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完结二次陶冶进度。各类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。每贰八个episode体现平均reward值。每1000个episode或任何教练成功,保存当前模型。

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

磨炼最后episode输出,平均reward 22,一点都十分的大进步。

总结每917个episode平均reward,plt.plot体现reward变化趋势。从第七00个episode开首,reward飞速提高,到第陆000个episode基本达到规定的标准顶峰,后边进去平台期,升高非常的小。

    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),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)。1九玖零年,沃特kins建议。收敛性,1991年,沃特kins和Dayan共同证…

Q-Learning指标,求解函数Q(st,at),依据当下条件情形,估算Action期望价值。Q-Learning练习模型,以(状态、行为、奖励、下一气象)构成元组(st,at,rt+1,st+一)样本磨练,st当前景况,at当前处境下执行action,rt+壹执行Action后收获奖励,st+壹下一情形,(当前事态,行动,奖励,下一境况)。特征(st,at)。学习目的(期望价值)
rt+1+γ·maxaQ(st+一,a),当前Action获得Reward,加下一步可获取最大梦想价值,当前场馆行动奖励,加下一动静行动最大期待价值。学习指标包含Q-Learning函数本人,递归求解。下一步可获最大希望价值乘γ(衰减全面discount
factor),今后奖励的就学权重。discount factor
0,模型学习不到任何以后奖励音信,变短视,只关怀当下便宜。discount factor
>=
一,算法大概不能够消灭,期望价值不断丰裕没有衰减(discount),期望价值发散。discount
factor一般比一稍小。Qnew(st,at)<-(壹-α)·Qold(st,at)+α·(rt+壹+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(当前赢得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音讯覆盖率前左右到音信比率,日常设较小值,保险学习进程稳定,确认保障最终收敛性。Q-Learning须求开首值Q0,比较高开头值,鼓励模型多探索。

学学Q-Learning模型用神经网络,获得模型是估值网络。用相比深的神经网络,便是DQN。GoogleDeepMind,《Nature》随想,《Human-level control through deep
reinforcement
learning》提议。DeepMind用DQN创设达到规定的标准人类专家水平玩Atari2600种类游戏Agent。

state of the art DQN
Trick。第一个Trick。DQN引进卷积层。模型通过Atari游戏录像图像通晓环境音讯并学习策略。DQN需求通晓接收图像,具有图像识别能力。卷积神经网络,利用可领到空间组织消息卷积层抽取特征。卷积层提取图像中关键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,依据环境图像输出决策。

其次个Trick。Experience Replay。深度学习必要大量样本,古板Q-Learning
online
update方法(逐一对新样本学习)不符合DQN。增大样本,三个epoch练习,图像反复使用。Experience
Replay,储存Agent
Experience样本,每便陶冶随机抽取部分样本供互连网学习。稳定形成学习职分,制止短视只学习最新接触样本,综合反复使用过往多量样书学习。创设储存Experience缓存buffer,储存一定量较新样本。体量满了,用新样本替换最旧样本,保险大多数样本左近概率被抽到。不替换旧样本,锻练进程被抽到概率永远比新样本高很多。每一次须求练习样本,直接从buffer随机抽取一定量给DQN陶冶,保持样本高利用率,让模型学习到较新样本。

其多个Trick。用第四个DQN互连网援助练习,target
DQN,帮助计算目的Q值,提供学习指标公式里的maxaQ(st+1,a)。三个网络,一个制作学习目的,2个实际磨练,让Q-Learning磨炼目的保持平稳。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,每趟换代模型参数会招致学习指标转移,更新往往幅度大,磨炼进程会要命不稳定、失控,DQN磨炼会陷于目标Q值与展望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,减小操练进程影响。

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被高估当先最优Action。target DQN
负责生成目的Q值,头阵生Q(st+一,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,再获得Action在target DQN
Q值。主网选取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佳Action。学习指标公式:Target=rt+一+γ·Qtarget(st+1,argmaxa(Qmain(st+一,a)))。

第五个Trick。Dueling DQN。谷歌(Google) 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,1部分静态环境情状有所价值V(st),Value;另1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)。网络独家计算环境Value和选拔Action
Advantage。Advantage,Action与别的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1个Value,及Action数量
Advantage值。V值分别加到各样Advantage值上,得最后结果。让DQN学习目的更驾驭,假设超过前时期望价值首要由环境情形控制,Value值大,全数Advantage波动十分小;即使期望价值首要由Action决定,Value值小,Advantage波动大。分解让学习目的更安宁、精确,DQN对环境气象猜度能力越来越强。

落实带Trick DQN。任务环境
GridWorld导航类水言纟工。GridWorld包括两个hero,多个goal,1个fire。控制hero移动,每一次向上、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。

创办GridWorld职务环境。载入重视库,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。

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

创造GridWorld环境class,早先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,起初化环境物体对象列表。self.reset()方法重置环境,获得开首observation(GridWorld图像),plt.imshow展示observation。

概念环境reset方法。创立全体GridWorld物体,3个hero(用户控制目的)、6个goal(reward
1)、二个fire(reward
-壹),添加到物体对象列表self.objects。self.newPosition()创制物体位置,随机挑选未有被并吞新岗位。物有物体size、intensity
1,hero channel 二(浅黄),goal channel 一(黄铜色),fire channel
0(月光蓝)。self.renderEnv()绘制GridWorld图像,state。

贯彻活动大侠角色方法,传入值0、1、二、三五个数字,分别表示上、下、左、右。函数依照输入操作英豪移动。借使移动该方向会导致大侠出界,不会进展其余活动。

概念newPosition方法,采用1个跟现有物体不争辩地方。itertools.product方法赢得多少个变量全数结成,创造环境size允许具备地点集合points,获取如今有着物体地方集合currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机抽取三个可用地方重回。

定义checkGoal函数。检查hero是或不是触碰goal、fire。从objects获取hero,其余实体对象放置others列表。编历others列表,若是物体和坐标与hero完全一致,判定触碰。依据触碰物体销毁,self.newPosition()方法在自由地方再度生成物体,重临物体reward值(goal
1,fire -壹)。

成立长宛size+二、颜色通道数 3图片。初步值全一,代表全金黄。最外面内部像素颜色值整体赋0,代表紫水晶色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原来大小resize
八四x八四x3尺寸,平常游玩图像尺寸。

概念GridWorld环境实行一步Action方法。输入参数Action,self.moveChart(action)移动hero地方,self.checkGoal()检查测试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类发轫化方法,设置size
伍,成立五x5大小GridWorld环境,每一回创造GridWorld环境随机生成。小尺寸环境相对容易学习,大尺寸较难,陶冶时间越来越长。

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84x84x三=2116八向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution二d开立第二个卷积层,卷积核尺寸八x八,步长4x四,输出通道数(filter数量)32,padding模型VALID,bias开首化器空。用四x四肥瘦和VALID模型padding,第2层卷积输出维度20x20x32。第3层卷积尺寸四x肆,步长贰x二,输出通道数6四,输出维度玖x玖x64。第3层卷积尺寸三x三,步长一x一,输出通道数6四,输出维度7x柒x64。第5层卷积尺寸柒x柒,步长1x一,输出通道数51二,空间尺寸只允许在贰个岗位卷积,,输出维度1x壹x512。

tf.split(),第5个卷积层输出conv四平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的市场股票总值)和Value
Function(环境自身价值)。tf.split函数第三参数代表要拆分成几段。第二参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。创制streamA和streamV线性全连接层参数AW和VW。tf.random_normal早先化权重,tf.matmul做全连接层矩阵乘法,获得self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对环境统1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。计算目的Q值,action由主DQN选拔,Q值由援助target
DQN生成。总计预测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都出自主DQN)。

定义loss,tf.square、tf.reduce_mean总计targetQ和Q均方基值误差,学习速率一e-四Adam优化器优化预测Q值和目的Q值偏差。

实现Experience Replay策略。定义experience_buffer
class。初阶化定义buffer_size存款和储蓄样本最大体量,成立buffer列表。定义向经buffer添加成分方法。若是跨越buffer最大容积,清空最早样本,列表末尾添加新成分。定义样本抽样格局,用random.sample()函数随机抽取一定数额样本。

概念捌四x八四x叁 states扁平化 一维向量函数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前十分之五参数,主DQN模型参数。再令扶助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。磨练时,指标Q值不能在五遍迭代间波动太大,练习13分不稳定、失控,陷入指标Q值和预测Q值反馈循环。须求安静目的Q值磨练网络,缓慢学习target
DQN互连网出口目的Q值,主网络优化目标Q值和展望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创立立异target
DQN模型参数操作,函数updateTarget执行操作。

DQN互连网练习进程参数。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执行贰次模型参数更新,4。Q值衰减全面(discount
factor)γ,0.9九。startE开端执行随机Action概率。endE最后实施随机Action可能率。anneling_steps从初阶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选用Action前实行多少步随机Action测试。max_epLength每一种episode举办多少步Action。load_model是还是不是读取从前操练模型。path模型储存路径。h_size是DQN互连网最终全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类初叶化mainQN和扶助targetQN。初始化全体模型参数。trainables获取具有可练习参数。updateTargetGraph创设创新target
DQN模型参数操作。

experience_buffer创立experience replay
class,设置当前随机Action概率e,计算e每一步衰减值stepDrop。初阶化储存各种episode的reward列表rList,总步数total_steps。创立模型陶冶保存器(Saver)检查保存目录是还是不是留存。

创设默许Session,假设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。创立GridWorld试验循环,创造每个episode内部experience_buffer,内部buffer不参加当前迭代替练习练,陶冶只使用从前episode样本。开头化环境得第二个条件音讯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。

成立内层循环,每一回迭代执行Action。总步数稍差于pre_train_steps,强制用随机Action,只从随机Action学习,不深化进度。达到pre_train_steps,保留较小可能率随机选拔Action。不随机接纳Action,传入当前状态s给主DQN,预测得到相应执行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一、d传入episodeBuffer存款和储蓄。

总步数当先pre_train_steps,持续下落随机选择Action可能率e,直到最低值endE。每当总步数达到update_freq整数部,进行三遍练习,模型参数更新。从myBuffer中sample出三个batch_size样本。演习样本第二列新闻,下1情况s壹,传入mainQN,执行main.predict,获得主模型选拔Action。s一传到匡助targetQN,获得s一状态下全体Action的Q值。mainQN输出Action
,选择targetQN输出Q,获得doubleQ。五个DQN网络把选取Action和出口Q值七个操作分隔开分离,Double
DQN。练习样本第三列消息,当前reward,加doubleQ乘以衰减全面γ,获得读书目的targetQ。传入当前状态s,学习指标targetQ和骨子里利用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整实现3遍演练进程。每一种step截止,累计当前那步获取reward,更新当前情况为下一步试验做准备。倘使done标记为True,间接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作以往演练抽样数据集。当前episode
reward添加到rList。每二多少个episode体现平均reward值。每一千个episode或任何教练成功,保存当前模型。

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

教练末了episode输出,平均reward 2二,非常的大提高。

计量每玖拾贰个episode平均reward,plt.plot显示reward变化趋势。从第900个episode开始,reward飞速提高,到第6000个episode基本达成高峰,后边进去平台期,升高非常小。

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

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

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

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

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

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

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

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

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

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

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

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

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

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

                if d == True:
                    break

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

 

参考资料:
《TensorFlow实战》

迎接付费咨询(150元每小时),作者的微信:qingxingfengzi

相关文章