st+1)样本锻炼,让模型学习到较新样本

Q-Learning,学习Action对应期望值(Expected
Utility)。一九八七年,Watkins建议。收敛性,一九九二年,Watkins和Dayan共同认证。学习期望价值,从当下一步到具有继续手续,总希望获得最大价值(Q值、Value)。Action->Q函数,最棒攻略,在各种state下,接纳Q值最高的Action。不依赖境况模型。有限马尔科夫决策进程(马克ov
Dectision Process) ,Q-Learning被验证最终能够找到最优政策。

上学笔记TF038:达成估值互联网,tf038估值

Q-Learning,学习Action对应期望值(Expected
Utility)。一九八七年,Watkins建议。收敛性,一九九二年,Watkins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,最好计策,在各种state下,接纳Q值最高的Action。不依赖情形模型。有限马尔科夫决策进程(马克ov
Dectision Process) ,Q-Learning被注解最后可以找到最优政策。

Q-Learning指标,求解函数Q(st,at),遵照当前条件处境,揣测Action期望价值。Q-Learning练习模型,以(状态、行为、奖赏、下一状态)构成元组(st,at,rt+1,st+1)样本磨炼,st当前情景,at当前情景下实行action,rt+1实施Action后获得奖赏,st+1下一动静,(当前气象,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,加下一步可获得最大期待价值,当前事态行动奖赏,加下一状态行动最大希望价值。学习指标包括Q-Learning函数本身,递归求解。下一步可获最大梦想价值乘γ(衰减周详discount
factor),未来嘉勉的学习权重。discount factor
0,模型学习不到别的现在奖赏信息,变短视,只关怀当下平价。discount factor
>=
1,算法或然不能够消失,期望价值持续加多未有衰减(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),向学习目的(当前赢得Reward加下一步可收获最大希望价值),按十分小学习速率α学习,得到新Q-Learning函数Qnew(st,at)。学习速率决定新收获样本音信覆盖率前左右到音讯比率,平日设不大值,有限支持学习进程稳固,确定保证末了收敛性。Q-Learning必要开头值Q0,相比高开头值,鼓励模型多探究。

上学Q-Learning模型用神经互连网,获得模型是估值网络。用相比较深的神经网络,正是DQN。GoogleDeepMind,《Nature》随想,《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类别游戏Agent。

state of the art DQN
Trick。第4个Trick。DQN引进卷积层。模型通过Atari游戏录制图像掌握境况新闻并学习计谋。DQN要求精晓接收图像,具备图像识别技艺。卷积神经互联网,利用可领到空间协会消息卷积层抽出特征。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锻炼,依据景况图像输出决策。

第贰个Trick。Experience Replay。深度学习须要大批量样书,古板Q-Learning
online
update方法(逐条对新样本学习)不符合DQN。增大样本,多少个epoch磨炼,图像每每使用。Experience
Replay,储存Agent
Experience样本,每一趟练习随机抽取部分样书供网络学习。牢固造成学习职分,制止短视只学习最新接触样本,综合一再使用过往大量样本学习。创制积累Experience缓存buffer,积累一定量较新样本。体积满了,用新样本替换最旧样本,有限支撑大部分样本附近可能率被抽到。不替换旧样本,磨练进程被抽到可能率长久比新样本高相当多。每趟要求磨炼样本,直接从buffer随机收取一定量给DQN磨炼,保持样本高利用率,让模型学习到较新样本。

其七个Trick。用第一个DQN网络帮助磨炼,target
DQN,帮忙计算指标Q值,提供就学指标公式里的maxaQ(st+1,a)。八个互连网,贰个创建学习目的,一个事实上磨练,让Q-Learning陶冶指标保持安澜。强化学习
Q-Learning学习目标每趟更动,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目的转移,更新往往幅度大,演习进程会要命不安静、失控,DQN练习会陷于目的Q值与估摸Q值反馈循环(陷入震荡发散,难消失)。须求稳固target
DQN帮忙网络计算目的Q值。target
DQN,低频率、缓慢学习,输出指标Q值波动非常小,减小磨练进程影响。

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
负担生成指标Q值,首发生Q(st+1,a),再经过maxa选取最大Q值。Double
DQN,在主DQN上通过最大Q值选取Action,再获得Action在target DQN
Q值。主网选用Action,targetDQN生成Action
Q值。被增选Q值,不鲜明总是最大,防止被高估次优Action总是超越最优Action,导致发掘不了真正最佳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,一部分静态情况情形有所价值V(st),Value;另一有些动态采取Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家计算境遇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,输出三个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学习指标更鲜明,借使当前愿意价值重要由情状气象调控,Value值大,全数Advantage波动十分的小;如若希望价值首要由Action决定,Value值小,Advantage波动大。分解让学习目标更安定、正确,DQN对蒙受气象估算技能越来越强。

兑现带Trick DQN。任务环境GridWorld导航类水言纟工。GridWorld包括一个hero,4个goal,2个fire。调控hero移动,每一遍向上、下、左、右方向移动一步,多触碰goal(表彰值1),避开fire(奖赏值-1)。游戏目的,限度步数内得到最多分数。Agent
直接通过GridWorld图像学习决定hero移动最优政策。

创设GridWorld任务意况。载入注重库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,磨炼时间长,os定时累积模型文件。

创办境况内物体对象class。境况物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(中华VGB颜色通道)、reward(奖赏值)、name(名称)。

创办GridWorld蒙受class,初叶化方法只传入参数情形size。境况长、宽为输入size,情况Action
Space设4,发轫化景况物体对象列表。self.reset()方法复位碰着,得到开首observation(GridWorld图像),plt.imshow显示observation。

概念情状reset方法。成立全数GridWorld物体,1个hero(用户调节指标)、4个goal(reward
1)、2个fire(reward
-1),增添到实体对象列表self.objects。self.newPosition()创造物体地方,随机挑选未有被挤占新岗位。物有物体size、intensity
1,hero channel 2(冰雪蓝),goal channel 1(浅豆绿),fire channel
0(均红)。self.renderEnv()绘制GridWorld图像,state。

达成活动英豪剧中人物方法,传入值0、1、2、3多少个数字,分别代表上、下、左、右。函数遵照输入操作硬汉移动。假使移动该方向会招致英豪出界,不会进展其余活动。

概念newPosition方法,选用一个跟现存物体不抵触地点。itertools.product方法获得多少个变量全部结成,成立遇到size允许拥有地方集合points,获取近年来怀有物体地方集结currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽出贰个可用地点再次来到。

定义checkGoal函数。检查hero是或不是触碰goal、fire。从objects获取hero,其余物体对象放置others列表。编历others列表,即使物体和坐标与hero完全一致,决断触碰。遵照触碰物体销毁,self.newPosition()方法在大三个人置再一次生成物体,再次来到物体reward值(goal
1,fire -1)。

创办长宛size+2、颜色通道数 3
图片。初叶值全1,代表全樱草黄。最外侧内部像素颜色值全体赋0,代表乌紫。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原本大小resize
84x84x3尺寸,平常游玩图像尺寸。

概念GridWorld景况进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检查评定hero是或不是触碰物体,获得reward、done标志。self.renderEnv获取情形图像state,再次回到state、reward、done。

调用gameEnv类初始化方法,设置size
5,创设5×5大小GridWorld蒙受,每一次创立GridWorld情状随机变化。小尺寸情况相对容命理术数习,大尺寸较难,陶冶时间越来越长。

规划DQN(Deep
Q-Network)互联网。使用卷积层,可以直接从情形原始像素学习战略。输入scalarInput,扁平化长为84x84x3=21168向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创办第4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初始化器空。用4×4大幅和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,空间尺寸只允许在一个岗位卷积,,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带来的市场股票总值)和Value
Function(情况本身价值)。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。创立streamA和streamV线性全连接层参数AW和VW。tf.random_normal初始化权重,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针对境遇统一的,输出数量
1。Q值由Value、advantage复合成,Value加上减少均值Advantage。Advantage减去均值操作
tf.subtract,均值总计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。总结目标Q值,action由主DQN选拔,Q值由帮忙target
DQN生成。总括预测Q值,scalar情势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都出自己作主DQN)。

定义loss,tf.square、tf.reduce_mean总结targetQ和Q均方舍入误差,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。开首化定义buffer_size存款和储蓄样本最大体积,成立buffer列表。定义向经buffer添日成分方法。假若超过buffer最大体积,清空最早样本,列表末尾增加新成分。定义样本抽样情势,用random.sample()函数随机抽出一定数量样本。

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前四分之二参数,主DQN模型参数。再令帮助targetDQN参数朝向主DQN参数前进相当的小比例(tau,0.001),target
DQN缓慢学习主DQN。磨炼时,指标Q值无法在几遍迭代间波动太大,磨炼十分不稳固、失控,陷入指标Q值和预测Q值反馈循环。要求安静指标Q值磨炼网络,缓慢学习target
DQN互联网出口指标Q值,主网络优化目的Q值和展望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创制立异target
DQN模型参数操作,函数updateTarget实行操作。

DQN网络练习进度参数。batch_size,每便从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step实施一次模型参数更新,4。Q值衰减全面(discount
factor)γ,0.99。startE早先实践随机Action概率。endE最终推行随机Action可能率。anneling_steps从初叶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意况试验。pre_train_steps正式用DQN选拔Action前举行多少步随机Action测量试验。max_epLength每一种episode进行多少步Action。load_model是还是不是读取以前磨炼模型。path模型积存路线。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类初始化mainQN和援救targetQN。起始化全数模型参数。trainables获取具备可磨炼参数。updateTargetGraph创立立异target
DQN模型参数操作。

experience_buffer创立experience replay
class,设置当前随机Action可能率e,总计e每一步衰减值stepDrop。起头化储存每一种episode的reward列表rList,总步数total_steps。创造模型练习保存器(Saver)检查保存目录是还是不是留存。

创造暗中认可Session,假使load_model标记True,检查模型文件路线checkpoint,读取载入已保存模型。实践参数初叶化操作,推行更新targetQN模型参数操作。创制GridWorld试验循环,成立每种episode内部experience_buffer,内部buffer不参预当前迭代替磨炼练,磨炼只利用此前episode样本。起初化遭受得第叁个情状音信s,processState()函数扁平化。起头化私下认可done标志d、episode内总reward值rAll、episode内步数j。

开创内层循环,每回迭代推行Action。总步数稍差于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧进程。抵达pre_train_steps,保留很小可能率随机挑选Action。不随机选用Action,传入当前状态s给主DQN,预测获得相应试行Action。env.step()实行一步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,持续回退随机采纳Action概率e,直到最低值endE。每当总步数到达update_freq整数部,实行贰次锻炼,模型参数更新。从myBuffer中sample出叁个batch_size样本。练习样本第3列音信,下一场所s1,传入mainQN,实施main.predict,得到主模型接纳Action。s1传诵支持targetQN,获得s1状态下具有Action的Q值。mainQN输出Action
,选择targetQN输出Q,获得doubleQ。八个DQN网络把挑选Action和输出Q值三个操作分隔断,Double
DQN。陶冶样本第2列音信,当前reward,加doubleQ乘以衰减周密γ,获得学习目的targetQ。传入当前状态s,学习指标targetQ和骨子里运用Action,施行updateTarget函数,实行targetQN模型参数更新(缓慢向mainQN学习)。完整完结贰遍磨练进度。每种step甘休,累计当前这步获取reward,更新当前气象为下一步试验做打算。借使done标志为True,直接中断episode试验。

澳门永利娱乐总站,episode内部episodeBuffer增添到myBuffer,作以后练习抽样数据集。当前episode
reward增多到rList。每二十几个episode呈现平均reward值。每一千个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,平均能够赢得reward在2邻座,基础baseline。

练习最后episode输出,平均reward 22,非常大进步。

计量每九16个episode平均reward,plt.plot显示reward变化趋势。从第一千个episode开端,reward神速进步,到第伍仟个episode基本达到顶峰,后边进去平台期,升高相当的小。

    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)

 

参照他事他说加以考察资料:
《TensorFlow实战》

应接付费咨询(150元每小时),我的微信: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)。一九八九年,Watkins建议。收敛性,一九九四年,Watkins和Dayan共同证…

Q-Learning指标,求解函数Q(st,at),依据当下条件气象,推测Action期望价值。Q-Learning训练模型,以(状态、行为、嘉勉、下一气象)构成元组(st,at,rt+1,st+1)样本练习,st当前景色,at当前情状下实践action,rt+1实施Action后获取褒奖,st+1下一情况,(当前情状,行动,嘉奖,下一景况)。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,加下一步可获取最大梦想价值,当前场地行动表彰,加下一动静行动最大期待价值。学习指标包含Q-Learning函数自个儿,递归求解。下一步可获最大梦想价值乘γ(衰减周密discount
factor),今后表彰的上学权重。discount factor
0,模型学习不到任何将来奖赏音信,变短视,只关注当下补益。discount factor
>=
1,算法恐怕没办法消失,期望价值不断丰盛未有衰减(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(当前拿走Reward加下一步可获得最大期待价值),按十分的小学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新取得样本消息覆盖率前左右到音信比率,平日设异常的小值,有限支撑学习进度牢固,确定保障最后收敛性。Q-Learning供给初阶值Q0,比较高发轫值,鼓励模型多探寻。

上学Q-Learning模型用神经互连网,获得模型是估值互连网。用比较深的神经互联网,正是DQN。GoogleDeepMind,《Nature》故事集,《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类别游戏Agent。

state of the art DQN
Trick。第两个Trick。DQN引入卷积层。模型通过Atari游戏摄像图像领悟意况音讯并学习计谋。DQN需求掌握接收图像,具备图像识别本事。卷积神经互连网,利用可领到空间组织音信卷积层收取特征。卷积层提取图像中爱慕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,依据遭受图像输出决策。

其次个Trick。Experience Replay。深度学习需求大量样本,守旧Q-Learning
online
update方法(逐个对新样本学习)不切合DQN。增大样本,多少个epoch陶冶,图像反复使用。Experience
Replay,储存Agent
Experience样本,每一遍磨练随机抽取部分样本供网络学习。牢固形成学习职分,防止短视只学习最新接触样本,综合一再使用过往多量样书学习。创制积累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,保障一大半样本附近概率被抽到。不替换旧样本,陶冶进度被抽到概率恒久比新样本高相当多。每便需求磨炼样本,直接从buffer随机抽取一定量给DQN磨炼,保持样本高利用率,让模型学习到较新样本。

其多少个Trick。用第叁个DQN互连网帮助磨炼,target
DQN,帮忙总括指标Q值,提供学习目的公式里的maxaQ(st+1,a)。四个互连网,一个创制学习指标,三个其实验和培演习,让Q-Learning练习指标保持安静。强化学习
Q-Learning学习目的每趟更换,学习目的根据地是模型自己输出,每回换代模型参数会导致学习指标转移,更新往往幅度大,磨炼进程会特别不地西泮、失控,DQN练习会沦为目的Q值与估量Q值反馈循环(陷入震荡发散,难消失)。供给稳定target
DQN协助互联网总计目的Q值。target
DQN,低频率、缓慢学习,输出目的Q值波动比较小,减小磨练进程影响。

第四个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。古板DQN高估Action
Q值,高估不均匀,导致次优Action被高估超过最优Action。target DQN
担当生成目的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值选取Action,再获得Action在target DQN
Q值。主网采纳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,导致发掘不了真正最棒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,一部分静态遭受景况有所价值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)。互连网独家计算景况Value和抉择Action
Advantage。Advantage,Action与其余Action相比较,零均值。网络最终,不再直接输出Action数量Q值,输出三个Value,及Action数量
Advantage值。V值分别加到各个Advantage值上,得最终结果。让DQN学习目的更引人注目,倘诺当前梦想价值首要由情状情状调节,Value值大,全数Advantage波动十分的小;借使期待价值首要由Action决定,Value值小,Advantage波动大。分解让学习指标更平稳、正确,DQN对蒙受境况估计技术越来越强。

福寿无疆带Trick DQN。职务意况GridWorld导航类水言纟工。GridWorld包蕴二个hero,4个goal,2个fire。调节hero移动,每趟向上、下、左、右方向运动一步,多触碰goal(奖励值1),避开fire(奖赏值-1)。游戏目的,限度步数内得到最多分数。Agent
直接通过GridWorld图像学习决定hero移动最优政策。

创制GridWorld任务情形。载入注重库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,练习时间长,os定期储存模型文件。

开创情形内物体对象class。情形物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(讴歌RDXGB颜色通道)、reward(表彰值)、name(名称)。

创立GridWorld情形class,初阶化方法只传入参数情形size。情形长、宽为输入size,意况Action
Space设4,初步化境况物体对象列表。self.reset()方法重新恢复设置境遇,获得开头observation(GridWorld图像),plt.imshow彰显observation。

概念意况reset方法。创制全数GridWorld物体,1个hero(用户调控目的)、4个goal(reward
1)、2个fire(reward
-1),增多到实体对象列表self.objects。self.newPosition()创造物体位置,随机接纳未有被侵夺新任务。物有物体size、intensity
1,hero channel 2(深湖蓝),goal channel 1(木色),fire channel
0(碧绿)。self.renderEnv()绘制GridWorld图像,state。

心想事成活动壮士剧中人物方法,传入值0、1、2、3七个数字,分别表示上、下、左、右。函数遵照输入操作英豪移动。假如移动该方向会招致英豪出界,不会进展其余活动。

概念newPosition方法,选取贰个跟现成物体不顶牛地方。itertools.product方法取得多少个变量全体结成,创立情状size允许具有地方集合points,获取近日具备物体地方集结currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽取叁个可用地点重临。

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,剖断触碰。依照触碰物体销毁,self.newPosition()方法在率性地方再一次生成物体,再次来到物体reward值(goal
1,fire -1)。

创办长宛size+2、颜色通道数 3
图片。早先值全1,代表全威尼斯红。最外侧内部像素颜色值全体赋0,代表水草绿。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
84x84x3尺寸,符合规律游玩图像尺寸。

概念GridWorld碰到进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检验hero是不是触碰物体,获得reward、done标识。self.renderEnv获取情况图像state,重临state、reward、done。

调用gameEnv类初始化方法,设置size
5,创设5×5大小GridWorld情状,每便成立GridWorld景况随机变化。小尺寸景况绝对容易学习,大尺寸较难,练习时间更加长。

规划DQN(Deep
Q-Network)互联网。使用卷积层,能够直接从意况原始像素学习战略。输入scalarInput,扁平化长为84x84x3=21168向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创造第三个卷积层,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开首化器空。用4×4上涨的幅度和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,空间尺寸只允许在二个岗位卷积,,输出维度1x1x512。

tf.split(),第1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。创立streamA和streamV线性全连接层参数AW和VW。tf.random_normal开端化权重,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针对意况统一的,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。总计指标Q值,action由主DQN接纳,Q值由帮衬target
DQN生成。总结预测Q值,scalar方式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都出自己作主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值和指标Q值偏差。

实现Experience Replay策略。定义experience_buffer
class。开头化定义buffer_size存款和储蓄样本最大体量,创立buffer列表。定义向经buffer添日币素方法。如若超越buffer最大体量,清空最早样本,列表末尾增多新成分。定义样本抽样格局,用random.sample()函数随机收取一定数量样本。

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。再令帮助targetDQN参数朝向主DQN参数前进不大比例(tau,0.001),target
DQN缓慢学习主DQN。磨炼时,指标Q值不能够在几回迭代间波动太大,练习拾壹分动荡、失控,陷入目标Q值和预测Q值反馈循环。必要安静指标Q值练习网络,缓慢学习target
DQN网络出口目的Q值,主互连网优化指标Q值和展望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph成立创新target
DQN模型参数操作,函数updateTarget实践操作。

DQN网络陶冶进度参数。batch_size,每便从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step试行二遍模型参数更新,4。Q值衰减全面(discount
factor)γ,0.99。startE起头试行随机Action概率。endE最终试行随机Action可能率。anneling_steps从开头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景况试验。pre_train_steps正式用DQN选取Action前进行多少步随机Action测验。max_epLength各个episode举行多少步Action。load_model是或不是读取此前磨炼模型。path模型储存路线。h_size是DQN互联网最后全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类起头化mainQN和协助targetQN。早先化全数模型参数。trainables获取具备可练习参数。updateTargetGraph创立立异target
DQN模型参数操作。

experience_buffer创设experience replay
class,设置当前随机Action可能率e,总结e每一步衰减值stepDrop。初叶化积累每一个episode的reward列表rList,总步数total_steps。成立模型磨练保存器(Saver)检查保存目录是不是留存。

创立私下认可Session,假如load_model标识True,检查模型文件路线checkpoint,读取载入已封存模型。施行参数初叶化操作,试行更新targetQN模型参数操作。创立GridWorld试验循环,创设各样episode内部experience_buffer,内部buffer不加入当前迭代替练习练,练习只利用在此之前episode样本。开端化情形得第三个碰到信息s,processState()函数扁平化。伊始化暗许done标识d、episode内总reward值rAll、episode内步数j。

创设内层循环,每一回迭代施行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,保留非常的小可能率随机挑选Action。不随机选取Action,传入当前状态s给主DQN,预测获得相应执行Action。env.step()实行一步Action,得到接下来事态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。

总步数超越pre_train_steps,持续回落随机挑选Action几率e,直到最低值endE。每当总步数达到update_freq整数部,举办三次练习,模型参数更新。从myBuffer中sample出多少个batch_size样本。演习样本第3列新闻,下一意况s1,传入mainQN,实践main.predict,得到主模型采取Action。s1传来协理targetQN,获得s1状态下具备Action的Q值。mainQN输出Action
,采纳targetQN输出Q,获得doubleQ。四个DQN网络把选用Action和输出Q值多少个操作分隔开分离,Double
DQN。训练样本第2列新闻,当前reward,加doubleQ乘以衰减周详γ,获得学习指标targetQ。传入当前状态s,学习指标targetQ和事实上接纳Action,施行updateTarget函数,实践targetQN模型参数更新(缓慢向mainQN学习)。完整完结三遍陶冶进程。每种step甘休,累计当前那步获取reward,更新当前状态为下一步试验做计划。要是done标志为True,直接中断episode试验。

episode内部episodeBuffer增多到myBuffer,作以后练习抽样数据集。当前episode
reward增添到rList。每贰十四个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。

发端200个episode内,完全随机Action的前10000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,相当的大提高。

计量每一百个episode平均reward,plt.plot体现reward变化趋势。从第壹仟个episode初始,reward火速进步,到第6000个episode基本完毕高峰,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)

 

参照他事他说加以考察资料:
《TensorFlow实战》

接待付费咨询(150元每小时),作者的微信:qingxingfengzi

相关文章