之前讲到Sarsa和Q Learning都不太适合解决大规模问题,为什么呢?

因为传统的强化学习都有一张Q表,这张Q表记录了每个状态下,每个动作的q值,但是现实问题往往极其复杂,其状态非常多,甚至是连续的,

比如足球场上足球的位置,此时,内存将无力承受这张Q表。

价值函数近似

既然Q表太大,那么怎么办呢?

假设我们可以找到一种方法来预测q值,那么在某个状态下,就可以估计其每个动作的q值,这样就不需要Q表了,这就是价值函数近似。

假设这个函数由参数w描述,那么

状态价值函数就表示为 v(s)≈f(s, w)

动作状态价值函数就表示为 q(s, a)≈f(s, a, w)

当然这个函数可以是线性的wx+b,也可以是决策树,神经网络等等,以神经网络最为常用。

价值函数近似有如下三种形式

1. 输入s,输出v

2. 输入s a,输出q

3.输入s,输出每个动作的q

Deep Q Learning 算法简介

先大概回顾Q Learning算法,初始状态S下ε-贪婪法选择动作,执行,进入状态S’,贪婪选择动作,更新q值,切换状态到S',

Deep Q Learning 大致思路也是如此,只是在某些细节有变化,具体如下

这是正版描述,结合实例翻译大致如下

输入:{S A R γ ε },迭代轮数M,每次迭代次数T,初始的神经网络模型,初始的记忆库(空),batch_size训练样本数,

输出:预测q值的神经网络

for episode = 1:M

  初始化状态s

  for step = 1:T

    ### 制造记忆库

    用神经网络计算s下所有动作的q值,(相当于Q-Learing中状态s对应的q值)这就是q估计

    基于ε-贪婪法选择动作A,执行动作A,获得奖励R,进入状态S’

    把 {S A R S'}存入记忆库

    s=S'

    ### 训练神经网络

    从记忆库随机取batch_size样本

    用神经网络计算S下所有动作的q值,(相当于Q-Learing中状态S对应的q值)这就是q估计

    用神经网络计算S’下所有动作的q值,(相当于Q-Learning中状态S’对应的q值)

    找到样本中状态S下执行的动作A和奖励R,

    计算 q 现实,R+γmaxaf(S',w),   (相当于Q-Learning中的 R+γmaxq(S',a)) , 当然如果S’为终止状态,那只有R

    利用 (q现实-q估计)2作为损失函数更新神经网络参数

    

当然,这只是大致思路,具体算法时可以根据经验适当调整。 

传统的Q Learning 是边实验边学习,而神经网络需要历史数据,

Deep Q Learning采用记忆库的方式解决这个问题,所有在实际算法中,往往需要先实验几次,以建立记忆库,

Deep Q Learning把这个方法叫 experience replay,经验回放,这里不一定要“亲自”去实验,也可以用“别人”实验的结果作为记忆。   

  

实例

openAI中的例子很多,由于gym环境不能很好地支持windows,故选择了这个例子。

import gym
import tensorflow as tf
import numpy as np
import random
from collections import deque # Hyper Parameters for DQN
GAMMA = 0.9 # discount factor for target Q
INITIAL_EPSILON = 0.5 # starting value of epsilon
FINAL_EPSILON = 0.01 # final value of epsilon
REPLAY_SIZE = 10000 # experience replay buffer size
BATCH_SIZE = 32 # size of minibatch class DQN():
# DQN Agent
def __init__(self, env):
# init experience replay
self.replay_buffer = deque() # 记忆库
# init some parameters
self.time_step = 0 #
self.epsilon = INITIAL_EPSILON
self.state_dim = env.observation_space.shape[0] # 状态
self.action_dim = env.action_space.n # 动作 self.create_Q_network()
self.create_training_method() # Init session
self.session = tf.InteractiveSession()
self.session.run(tf.global_variables_initializer()) def create_Q_network(self):
# 神经网络,输入s,输出q value
# network weights
W1 = self.weight_variable([self.state_dim,20])
b1 = self.bias_variable([20])
W2 = self.weight_variable([20,self.action_dim])
b2 = self.bias_variable([self.action_dim])
# input layer
self.state_input = tf.placeholder("float",[None,self.state_dim])
# hidden layers
h_layer = tf.nn.relu(tf.matmul(self.state_input,W1) + b1)
# Q Value layer
self.Q_value = tf.matmul(h_layer,W2) + b2 def create_training_method(self):
# 训练方法
self.action_input = tf.placeholder("float",[None,self.action_dim]) # one hot presentation
self.y_input = tf.placeholder("float",[None])
Q_action = tf.reduce_sum(tf.multiply(self.Q_value,self.action_input), reduction_indices = 1) # q 估计
self.cost = tf.reduce_mean(tf.square(self.y_input - Q_action))
self.optimizer = tf.train.AdamOptimizer(0.0001).minimize(self.cost) def perceive(self,state,action,reward,next_state,done):
# 存储记忆 并 训练网络
one_hot_action = np.zeros(self.action_dim)
one_hot_action[action] = 1
self.replay_buffer.append((state,one_hot_action,reward,next_state,done))
if len(self.replay_buffer) > REPLAY_SIZE: # 记忆大于经验回放大小,就删掉之前的
self.replay_buffer.popleft() if len(self.replay_buffer) > BATCH_SIZE: # 记忆大于batch,就开始训练网络
self.train_Q_network() def train_Q_network(self):
# 训练网络
self.time_step += 1
# Step 1: obtain random minibatch from replay memory
# 随机取样本
minibatch = random.sample(self.replay_buffer,BATCH_SIZE)
state_batch = [data[0] for data in minibatch]
action_batch = [data[1] for data in minibatch]
reward_batch = [data[2] for data in minibatch]
next_state_batch = [data[3] for data in minibatch] # Step 2: calculate y
y_batch = [] # q 现实
Q_value_batch = self.Q_value.eval(feed_dict={self.state_input:next_state_batch}) # 神经网络预测q值,注意是下个状态的
for i in range(0,BATCH_SIZE):
done = minibatch[i][4]
if done: # 回合结束
y_batch.append(reward_batch[i])
else :
y_batch.append(reward_batch[i] + GAMMA * np.max(Q_value_batch[i])) # 更新q值 self.optimizer.run(feed_dict={
self.y_input:y_batch,
self.action_input:action_batch,
self.state_input:state_batch
}) def egreedy_action(self,state):
Q_value = self.Q_value.eval(feed_dict = {self.state_input:[state]})[0]
self.epsilon -= (INITIAL_EPSILON - FINAL_EPSILON)/10000
if random.random() <= self.epsilon:
return random.randint(0,self.action_dim - 1)
else:
return np.argmax(Q_value) def action(self,state):
return np.argmax(self.Q_value.eval(feed_dict = {self.state_input:[state]})[0]) def weight_variable(self,shape):
initial = tf.truncated_normal(shape)
return tf.Variable(initial) def bias_variable(self,shape):
initial = tf.constant(0.01, shape = shape)
return tf.Variable(initial) # ---------------------------------------------------------
# Hyper Parameters
ENV_NAME = 'CartPole-v0'
EPISODE = 10000 # Episode limitation
STEP = 300 # Step limitation in an episode
TEST = 10 # The number of experiment test every 100 episode def main():
# initialize OpenAI Gym env and dqn agent
env = gym.make(ENV_NAME)
agent = DQN(env) for episode in range(EPISODE):
# initialize task
state = env.reset()
# Train
# 生成记忆
for step in range(STEP):
action = agent.egreedy_action(state) # e-greedy action for train
next_state,reward,done,_ = env.step(action)
# Define reward for agent
# reward_agent = -1 if done else 0.1
agent.perceive(state,action,reward,next_state,done)
state = next_state
if done:
break
# Test every 100 episodes
if episode % 100 == 0:
total_reward = 0
for i in range(TEST):
state = env.reset()
for j in range(STEP):
env.render()
action = agent.action(state) # direct action for test
state,reward,done,_ = env.step(action)
total_reward += reward
if done:
break
ave_reward = total_reward/TEST
print('episode: ',episode,'Evaluation Average Reward:',ave_reward)
if ave_reward >= 200:
break if __name__ == '__main__':
main()

这里做了一些简单优化:

1. 探索率逐渐减小

2. 记忆库不能太大,超过限值就删除最早的记忆,最早的记忆太过久远,参考意义不大,删掉就不会被随机选中。

3. 在记忆库小于batch时,只实验,不训练。

总结

这里虽然解决了大规模问题,但是Deep Q Learning可能出现不收敛的情况,所以产生了很多Deep Q Learning的变种来优化该算法。

最新文章

  1. php与数据库代码开发规范
  2. C#图像处理
  3. remote desktop connect btw Mac, Windows, Linux(Ubuntu) Mac,Windows,Linux之间的远程桌面连接
  4. UnityException: Texture is not readable
  5. 【转】对Android开发者有益的40条优化建议
  6. Spring init-method and destroy-method example
  7. Scala:(3)数组
  8. mac 下 配置 阿帕奇
  9. 用HTML5实现的各种排序算法的动画比較
  10. js跳转页面的几种方式
  11. HoloLens开发手记-实现3D应用启动器
  12. Linux下ps -ef和ps aux的区别
  13. Migrating Brokers in a Cluster
  14. 王之泰 201771010131《面向对象程序设计(java)》第十六周学习总结
  15. 教你如何下载并破解IAR
  16. virtualBox NAT模式,设置虚拟机可上网,宿主机可访问虚拟机的方法
  17. *p++、(*p)++、*++p、++*p 的区别
  18. LeetCode: Binary Tree Inorder Traversal 解题报告
  19. Oracle 11g调用函数几种常用方法
  20. 『cs231n』RNN之理解LSTM网络

热门文章

  1. vue+webpack热替换
  2. android-------Android Studio使用MAT分析工具遇到的错误
  3. Linux系统常见内核问题修复(转发)
  4. python基础之lambda,sort,filter,map,递归函数的运用
  5. 多线程总结2之volatile和synchronized(转)
  6. python-flask-session和scoped_session区别
  7. leetcode-algorithms-34 Find First and Last Position of Element in Sorted Array
  8. MongoDB 教程(四):MongoDB 概念解析
  9. [CodeForces - 447C] C - DZY Loves Sequences
  10. python dpkt解析ssl流