兑现估值网络,学习笔记TF038

Q-Learning,学习Action对应期望值(Expected
Utility)。一九八八年,Watkins提议。收敛性,一九九四年,Watkins和Dayan共同证实。学习期望价值,从脚下一步到持有继续手续,总希望获取最大价值(Q值、Value)。Action->Q函数,最好战术,在各样state下,选拔Q值最高的Action。不信赖情况模型。有限马尔科夫决策进程(马克ov
Dectision Process) ,Q-Learning被申明最终得以找到最优政策。

读书笔记TF038:完毕估值互联网,tf038估值

Q-Learning,学习Action对应期望值(Expected
Utility)。1988年,Watkins提出。收敛性,壹玖玖肆年,Watkins和Dayan共同验证。学习期望价值,从脚下一步到独具继续手续,总希望获取最大价值(Q值、Value)。Action->Q函数,最棒计策,在每一个state下,选拔Q值最高的Action。不正视情形模型。有限马尔科夫决策进程(马克ov
Dectision Process) ,Q-Learning被认证最后得以找到最优政策。

Q-Learning指标,求解函数Q(st,at),依照当前情况意况,估算Action期望价值。Q-Learning练习模型,以(状态、行为、表彰、下一情形)构成元组(st,at,rt+1,st+1)样本训练,st当前事态,at当前事态下试行action,rt+1实行Action后获取褒奖,st+1下一情景,(当前状态,行动,奖赏,下一场馆)。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梦想价值,当前景色行动表彰,加下一情况行动最大希望价值。学习目的包涵Q-Learning函数本人,递归求解。下一步可获最大梦想价值乘γ(衰减全面discount
factor),以后表彰的读书权重。discount factor
0,模型学习不到别的今后奖励新闻,变短视,只关切眼下补益。discount factor
>=
1,算法只怕不能够消失,期望价值持续增多没有衰减(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(当前获得Reward加下一步可收获最大希望价值),按不大学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新得到样本音信覆盖率前左右到音信比率,平日设异常的小值,保险学习过程牢固,确认保证最后收敛性。Q-Learning需求发轫值Q0,相比高开首值,鼓励模型多探寻。

学习Q-Learning模型用神经网络,获得模型是估值互连网。用相比较深的神经互连网,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连串游戏Agent。

state of the art DQN
Trick。第一个Trick。DQN引进卷积层。模型通过Atari游戏录制图像掌握意况音讯并学习战术。DQN需求精晓接收图像,具有图像识别工夫。卷积神经互联网,利用可领到空间协会音信卷积层抽出特征。卷积层提取图像中任重(Ren Zhong)而道远对象特征传给后层做分类、回归。DQN用卷积层做强化学习陶冶,依照情形图像输出决策。

其次个Trick。Experience Replay。深度学习供给多量样本,守旧Q-Learning
online
update方法(逐条对新样本学习)不合乎DQN。增大样本,多少个epoch磨练,图像每每使用。Experience
Replay,累积Agent
Experience样本,每一次操练随机收取部分样本供互连网学习。稳固变成学习义务,幸免短视只学习最新接触样本,综合频频使用过往大批量样书学习。创设积累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,保障超过50%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世比新样本高比很多。每一趟须求练习样本,直接从buffer随机收取一定量给DQN练习,保持样本高利用率,让模型学习到较新样本。

其五个Trick。用第二个DQN互连网协理演习,target
DQN,协理总计目的Q值,提供学习目的公式里的maxaQ(st+1,a)。多个网络,贰个构建学习指标,多少个事实上陶冶,让Q-Learning演练指标保持安澜。强化学习
Q-Learning学习目的每回更动,学习目的分公司是模型本身输出,每一趟换代模型参数会招致学习目的转移,更新往往幅度大,演习进度会特别不平稳、失控,DQN磨炼会深陷目的Q值与预测Q值反馈循环(陷入震荡发散,难消失)。要求安静target
DQN扶助网络计算指标Q值。target
DQN,低频率、缓慢学习,输出指标Q值波动不大,减小陶冶进度影响。

首个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
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值接纳Action,再拿走Action在target DQN
Q值。主网选取Action,targetDQN生成Action
Q值。被挑选Q值,不必然总是最大,制止被高估次优Action总是超越最优Action,导致发掘不了真正最佳Action。学习指标公式: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,一部分静态情状气象有所价值V(st),Value;另一片段动态选用Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总结情况Value和采纳Action
Advantage。Advantage,Action与别的Action比较,零均值。互连网最终,不再间接输出Action数量Q值,输出八个Value,及Action数量
Advantage值。V值分别加到每个Advantage值上,得最后结果。让DQN学习目的更刚烈,假若当前可望价值重要由意况气象调整,Value值大,全部Advantage波动非常的小;若是期待价值主要由Action决定,Value值小,Advantage波动大。分解让学习目的更安宁、精确,DQN对意况气象揣摸工夫越来越强。

实现带Trick DQN。职分环境GridWorld导航类水言纟工。GridWorld满含二个hero,4个goal,2个fire。调节hero移动,每回向上、下、左、右方向移动一步,多触碰goal(奖赏值1),避开fire(嘉勉值-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。

开创GridWorld义务境况。载入信赖库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,陶冶时间长,os定期累积模型文件。

成立情状内物体对象class。意况物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(LANDGB颜色通道)、reward(奖赏值)、name(名称)。

成立GridWorld蒙受class,开端化方法只传入参数情形size。遭遇长、宽为输入size,景况Action
Space设4,起首化蒙受物体对象列表。self.reset()方法重新设置情形,获得初叶observation(GridWorld图像),plt.imshow体现observation。

澳门1495,概念碰着reset方法。成立全部GridWorld物体,1个hero(用户调节指标)、4个goal(reward
1)、2个fire(reward
-1),增加到物体对象列表self.objects。self.newPosition()创立物体地点,随机选择没有被挤占新岗位。物有物体size、intensity
1,hero channel 2(茜红),goal channel 1(银色),fire channel
0(中湖蓝)。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几个数字,分别代表上、下、左、右。函数依照输入操作好汉移动。假设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,选择多少个跟现存物体不争持地方。itertools.product方法获得多少个变量全部组成,创造情形size允许全数地点集结points,获取最近具有物体地点集结currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽出三个可用地点重临。

定义checkGoal函数。检查hero是还是不是触碰goal、fire。从objects获取hero,别的物体对象放置others列表。编历others列表,如若物体和坐标与hero完全一致,判断触碰。依据触碰物体销毁,self.newPosition()方法在随便地方再次生成物体,重返物体reward值(goal
1,fire -1)。

开创长宛size+2、颜色通道数 3
图片。初步值全1,代表全藏蓝。最外面内部像素颜色值全体赋0,代表金黄。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原有大小resize
84x84x3尺寸,寻常游玩图像尺寸。

概念GridWorld情状实行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检验hero是或不是触碰物体,得到reward、done标识。self.renderEnv获取情状图像state,再次回到state、reward、done。

调用gameEnv类初叶化方法,设置size
5,制造5×5大小GridWorld意况,每一次创造GridWorld遇到随机变化。小尺寸意况相对容易学习,大尺寸较难,磨炼时间更加长。

统筹DQN(Deep
Q-Network)互连网。使用卷积层,能够一向从意况原始像素学习战术。输入scalarInput,扁平化长为84x84x3=21168向量,苏醒成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创设第一个卷积层,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早先化器空。用4×4增长幅度和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职责卷积,,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带来的价值)和Value
Function(情况本人价值)。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开始化权重,tf.matmul做全连接层矩阵乘法,获得self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对情状统一的,输出数量
1。Q值由Value、advantage复合成,Value加上收缩均值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)。最后输出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。总计目的Q值,action由主DQN采取,Q值由辅助target
DQN生成。计算预测Q值,scalar方式actions转onehot编码形式,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout和actions都来源于主DQN)。

定义loss,tf.square、tf.reduce_mean总计targetQ和Q均方零值误差,学习速率1e-4
Adam优化器优化预测Q值和对象Q值偏差。

实现Experience Replay策略。定义experience_buffer
class。初步化定义buffer_size存款和储蓄样本最大容积,创建buffer列表。定义向经buffer添澳成分方法。假设越过buffer最大容积,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()函数随机收取一定数额样本。

概念84x84x3 states扁平化 1维向量函数processState,方便前边堆集样本。

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前四分之二参数,主DQN模型参数。再令帮助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。磨练时,指标Q值无法在四回迭代间波动太大,练习拾分不安宁、失控,陷入指标Q值和展望Q值反馈循环。供给稳固指标Q值训练互连网,缓慢学习target
DQN互连网出口指标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创设立异target
DQN模型参数操作,函数updateTarget实行操作。

DQN网络磨练进度参数。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试行贰次模型参数更新,4。Q值衰减周到(discount
factor)γ,0.99。startE早先施行随机Action概率。endE最后试行随机Action概率。anneling_steps从发轫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情形试验。pre_train_steps正式用DQN选用Action前进行多少步随机Action测量试验。max_epLength每种episode实行多少步Action。load_model是还是不是读取以前演练模型。path模型储存路线。h_size是DQN网络最后全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类起初化mainQN和支持targetQN。伊始化全体模型参数。trainables获取具备可磨练参数。updateTargetGraph创制立异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,总计e每一步衰减值stepDrop。起始化积攒每一个episode的reward列表rList,总步数total_steps。创制模型演练保存器(Saver)检查保存目录是不是留存。

创办私下认可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。推行参数开首化操作,实践更新targetQN模型参数操作。创立GridWorld试验循环,成立各个episode内部experience_buffer,内部buffer不到场当前迭代替操练练,磨练只使用此前episode样本。伊始化情状得第叁个蒙受消息s,processState()函数扁平化。早先化暗中同意done标识d、episode内总reward值rAll、episode内步数j。

始建内层循环,每回迭代执行Action。总步数稍差于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧进程。到达pre_train_steps,保留比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,预测得到相应推行Action。env.step()试行一步Action,获得接下来事态s1、reward、done标识。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,持续回降随机挑选Action可能率e,直到最低值endE。每当总步数到达update_freq整数部,实行一遍磨炼,模型参数更新。从myBuffer中sample出三个batch_size样本。磨练样本第3列信息,下一状态s1,传入mainQN,试行main.predict,获得主模型选用Action。s1传开扶助targetQN,得到s1状态下具备Action的Q值。mainQN输出Action
,选拔targetQN输出Q,得到doubleQ。多少个DQN网络把选取Action和输出Q值八个操作分隔断,Double
DQN。磨练样本第2列音讯,当前reward,加doubleQ乘以衰减周全γ,获得学习目标targetQ。传入当前状态s,学习目的targetQ和事实上应用Action,实施updateTarget函数,推行targetQN模型参数更新(缓慢向mainQN学习)。完整完毕一遍磨练进程。每一个step截止,累计当前那步获取reward,更新当前情景为下一步试验做筹划。即使done标志为True,直接中断episode试验。

episode内部episodeBuffer增多到myBuffer,作以往训练抽样数据集。当前episode
reward增多到rList。每二十多少个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。

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

教练最终episode输出,平均reward 22,非常大进步。

计量每玖十九个episode平均reward,plt.plot呈现reward变化趋势。从第1000个episode最先,reward快速升高,到第5000个episode基本达到规定的标准巅峰,后边进去平台期,提高非常小。

    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)

 

参谋资料:
《TensorFlow实战》

应接付费咨询(150元每时辰),作者的微信:qingxingfengzi

http://www.bkjia.com/cjjc/1222006.htmlwww.bkjia.comtruehttp://www.bkjia.com/cjjc/1222006.htmlTechArticle学习笔记TF038:实现估值网络,tf038估值
Q-Learning,学习Action对应期望值(Expected
Utility)。1988年,Watkins指出。收敛性,1993年,Watkins和Dayan共同证…

Q-Learning目的,求解函数Q(st,at),遵照当下情状气象,推断Action期望价值。Q-Learning陶冶模型,以(状态、行为、表彰、下一情景)构成元组(st,at,rt+1,st+1)样本磨炼,st当前情景,at当前场合下实践action,rt+1实施Action后获得奖励,st+1下一气象,(当前气象,行动,奖赏,下一景观)。特征(st,at)。学习指标(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期待价值,当前事态行动奖励,加下一景况行动最大希望价值。学习指标饱含Q-Learning函数本身,递归求解。下一步可获最大期待价值乘γ(衰减周详discount
factor),未来表彰的上学权重。discount factor
0,模型学习不到任何未来嘉奖音信,变短视,只关注日前补益。discount factor
>=
1,算法恐怕不可能磨灭,期望价值不断丰裕未有衰减(discount),期望价值发散。discount
factor一般比1稍小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习进程式子。旧Q-Learning函数Qold(st,at),向学习目的(当前获得Reward加下一步可获得最大梦想价值),按极小学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新得到样本新闻覆盖率前左右到音讯比率,常常设一点都不大值,保障学习进度牢固,确定保证最后收敛性。Q-Learning须要初步值Q0,相比较高初阶值,鼓励模型多查究。

学学Q-Learning模型用神经互连网,得到模型是估值网络。用比较深的神经互连网,正是DQN。GoogleDeepMind,《Nature》随想,《Human-level control through deep
reinforcement
learning》建议。DeepMind用DQN创造达到规定的规范人类专家水平玩Atari2600体系游戏Agent。

state of the art DQN
Trick。第三个Trick。DQN引进卷积层。模型通过Atari游戏录像图像精通意况音讯并学习计策。DQN需求驾驭接收图像,具备图像识别本事。卷积神经互连网,利用可领到空间组织新闻卷积层收取特征。卷积层提取图像中重视目的特征传给后层做分类、回归。DQN用卷积层做强化学习陶冶,依照蒙受图像输出决策。

第贰个Trick。Experience Replay。深度学习需求大量样书,守旧Q-Learning
online
update方法(逐个对新样本学习)不符合DQN。增大样本,多个epoch练习,图像再三使用。Experience
Replay,累积Agent
Experience样本,每便操练随机收取部分样本供网络学习。牢固产生学习义务,防止短视只学习最新接触样本,综合反复使用过往巨量样书学习。成立储存Experience缓存buffer,积攒一定量较新样本。体量满了,用新样本替换最旧样本,保障一大半样本周围可能率被抽到。不替换旧样本,锻炼进程被抽到可能率永世比新样本高非常多。每一遍须求练习样本,直接从buffer随机收取一定量给DQN演练,保持样本高利用率,让模型学习到较新样本。

其多个Trick。用第三个DQN互连网帮助演习,target
DQN,协理计算指标Q值,提供学习目的公式里的maxaQ(st+1,a)。五个互联网,叁个制作学习指标,三个其实验和培养和磨炼练,让Q-Learning陶冶目的保持安静。强化学习
Q-Learning学习目的每一趟退换,学习指标分局是模型本人输出,每一遍换代模型参数会变成学习目的转移,更新往往幅度大,陶冶进度会充足不稳定、失控,DQN演练会沦为目的Q值与展望Q值反馈循环(陷入震荡发散,难消失)。要求安静target
DQN协助互联网计算目的Q值。target
DQN,低频率、缓慢学习,输出目的Q值波动相当的小,减小磨炼进程影响。

第一个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。守旧DQN高估Action
Q值,高估不均匀,导致次优Action被高估超越最优Action。target DQN
负担生成目的Q值,先产生Q(st+1,a),再通过maxa选择最大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。主网选取Action,targetDQN生成Action
Q值。被增选Q值,不肯定总是最大,防止被高估次优Action总是当先最优Action,导致开掘不了真正最佳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,一部分静态景况景况有所价值V(st),Value;另一部分动态选拔Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总计情状Value和挑选Action
Advantage。Advantage,Action与别的Action相比,零均值。网络最终,不再直接输出Action数量Q值,输出叁个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学习指标更生硬,倘使当前希望价值首要由景况景况调控,Value值大,全部Advantage波动非常小;借使愿意价值主要由Action决定,Value值小,Advantage波动大。分解让学习指标更平稳、正确,DQN对碰到情况推断手艺更加强。

兑现带Trick DQN。职务境况GridWorld导航类水言纟工。GridWorld包含二个hero,4个goal,2个fire。调控hero移动,每一回向上、下、左、右方向活动一步,多触碰goal(表彰值1),避开fire(奖赏值-1)。游戏指标,限度步数内获得最多分数。Agent
直接通过GridWorld图像学习决定hero移动最优政策。

创办GridWorld职务景况。载入重视库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,演习时间长,os定时积累模型文件。

创设情状内物体对象class。蒙受物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(RGB颜色通道)、reward(表彰值)、name(名称)。

创办GridWorld情状class,发轫化方法只传入参数情况size。情状长、宽为输入size,情形Action
Space设4,开首化情形物体对象列表。self.reset()方法重新初始化景况,得到开首observation(GridWorld图像),plt.imshow体现observation。

概念碰着reset方法。成立全数GridWorld物体,1个hero(用户调控指标)、4个goal(reward
1)、2个fire(reward
-1),增多到实体对象列表self.objects。self.newPosition()成立物体地点,随机选拔没有被攻克新岗位。物有物体size、intensity
1,hero channel 2(深紫灰),goal channel 1(铁锈棕),fire channel
0(天蓝)。self.renderEnv()绘制GridWorld图像,state。

兑现移动英豪剧中人物方法,传入值0、1、2、3四个数字,分别代表上、下、左、右。函数依据输入操作英豪移动。借使运动该方向会形成壮士出界,不会进行其余活动。

概念newPosition方法,选用二个跟现成物体不争执地方。itertools.product方法获得多少个变量全体组成,成立景况size允许持有职位集合points,获取方今具有物体地点集结currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽出三个可用地方再次来到。

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,假诺物体和坐标与hero完全一致,推断触碰。依照触碰物体销毁,self.newPosition()方法在随性所欲地点再一次生成物体,重返物体reward值(goal
1,fire -1)。

创办长宛size+2、颜色通道数 3
图片。初阶值全1,代表全赤褐。最外面内部像素颜色值全体赋0,代表水晶绿。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原本大小resize
84x84x3尺寸,符合规律游玩图像尺寸。

概念GridWorld情状进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检验hero是或不是触碰物体,获得reward、done标志。self.renderEnv获取情形图像state,再次来到state、reward、done。

调用gameEnv类开头化方法,设置size
5,创设5×5大小GridWorld意况,每一趟创制GridWorld情况随机生成。小尺寸情况相对轻易学习,大尺寸较难,磨练时间更加长。

安插DQN(Deep
Q-Network)网络。使用卷积层,能够一贯从蒙受原始像素学习计策。输入scalarInput,扁平化长为84x84x3=21168向量,恢复生机成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d开立第3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升幅和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,空间尺寸只同意在三个地点卷积,,输出维度1x1x512。

tf.split(),首个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的价值)和Value
Function(意况本身价值)。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。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,获得self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对情形统一的,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值由协助target
DQN生成。总结预测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都源于主DQN)。

定义loss,tf.square、tf.reduce_mean总括targetQ和Q均方测量误差,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。开首化定义buffer_size存款和储蓄样本最大容积,成立buffer列表。定义向经buffer添法郎素方法。纵然赶过buffer最大体量,清空最早样本,列表末尾增加新元素。定义样本抽样格局,用random.sample()函数随机抽取一定数量样本。

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前四分之二参数,主DQN模型参数。再令支持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。操练时,目的Q值不能够在五次迭代间波动太大,磨炼十二分动荡、失控,陷入目的Q值和预测Q值反馈循环。须求安静指标Q值演习网络,缓慢学习target
DQN互联网出口指标Q值,主网络优化指标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施行操作。

DQN网络陶冶进度参数。batch_size,每一回从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step奉行二遍模型参数更新,4。Q值衰减周详(discount
factor)γ,0.99。startE开首实施随机Action概率。endE最后实践随机Action可能率。anneling_steps从伊始随机可能率降到最后随机可能率所需步数。num_episodes总共多少次GridWorld境况试验。pre_train_steps正式用DQN选取Action前举办多少步随机Action测验。max_epLength每种episode举行多少步Action。load_model是或不是读取从前陶冶模型。path模型积攒路线。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类初叶化mainQN和扶助targetQN。起首化全部模型参数。trainables获取具备可磨练参数。updateTargetGraph创制立异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。开首化累积各样episode的reward列表rList,总步数total_steps。创造模型磨练保存器(Saver)检查保存目录是或不是留存。

成立暗许Session,假使load_model标记True,检查模型文件路线checkpoint,读取载入已封存模型。推行参数初阶化操作,施行更新targetQN模型参数操作。创制GridWorld试验循环,创设每一种episode内部experience_buffer,内部buffer不参与当前迭代锻炼,磨炼只利用在此以前episode样本。开始化遇到得第一个条件消息s,processState()函数扁平化。初阶化默许done标识d、episode内总reward值rAll、episode内步数j。

创造内层循环,每一遍迭代实行Action。总步数紧跟于pre_train_steps,强制用随机Action,只从随机Action学习,不深化进度。到达pre_train_steps,保留相当的小可能率随机挑选Action。不随机选择Action,传入当前状态s给主DQN,预测得到相应试行Action。env.step()实行一步Action,获得接下来事态s1、reward、done标识。processState对s1扁平化管理,s、a、r、s1、d传入episodeBuffer存款和储蓄。

总步数当先pre_train_steps,持续回退随机挑选Action可能率e,直到最低值endE。每当总步数达到update_freq整数部,举行贰次陶冶,模型参数更新。从myBuffer中sample出二个batch_size样本。陶冶样本第3列新闻,下一意况s1,传入mainQN,实行main.predict,得到主模型选拔Action。s1扩散帮忙targetQN,获得s1状态下全数Action的Q值。mainQN输出Action
,选用targetQN输出Q,获得doubleQ。八个DQN互联网把挑选Action和出口Q值五个操作分隔绝,Double
DQN。磨炼样本第2列音信,当前reward,加doubleQ乘以衰减全面γ,得到读书指标targetQ。传入当前状态s,学习目的targetQ和骨子里使用Action,实践updateTarget函数,推行targetQN模型参数更新(缓慢向mainQN学习)。完整达成一遍磨练进程。各类step结束,累计当前那步获取reward,更新当前状态为下一步试验做希图。假设done标志为True,间接中断episode试验。

episode内部episodeBuffer增加到myBuffer,作未来磨练抽样数据集。当前episode
reward加多到rList。每25个episode显示平均reward值。每一千个episode或任何演练完毕,保存当前模型。

开头200个episode内,完全随机Action的前10000步内,平均能够得到reward在2邻座,基础baseline。

锻炼最终episode输出,平均reward 22,比比较大提高。

总结每九15个episode平均reward,plt.plot体现reward变化趋势。从第1000个episode起初,reward火速提高,到第陆仟个episode基本完结巅峰,前面进去平台期,升高比极小。

    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

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图