让模型学习到较新样本

Q-Learning,学习Action对应期待值(Expected
Utility)。1990年,Watkins提议。收敛性,1991年,沃特kins和Dayan共同认证。学习期待价值,从近期一步到具有继续手续,总希望获取最大价值(Q值、Value)。Action->Q函数,最棒战术,在各个state下,选取Q值最高的Action。不注重情况模型。有限马尔科夫决策进度(Markov
Dectision Process) ,Q-Learning被认证最终得以找到最优政策。

Q-Learning指标,求解函数Q(st,at),根据这两天条件意况,猜想Action期待价值。Q-Learning磨炼模型,以(状态、行为、奖励、下一景观)构成元组(st,at,rt+1,st+1)样本陶冶,st当前情状,at当前处境下试行action,rt+1实施Action后拿走褒奖,st+1下一景况,(当前境况,行动,表彰,下一状态)。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希望价值,当前气象行动嘉勉,加下一气象行动最大梦想价值。学习目的包蕴Q-Learning函数自己,递归求解。下一步可获最大希望价值乘γ(衰减周到discount
factor),以往嘉勉的上学权重。discount factor
0,模型学习不到别的今后表彰新闻,变短视,只关怀近些日子实惠。discount factor
>=
1,算法或然不恐怕消灭,期待价值持续充分没有衰减(discount),期待价值发散。discount
factor经常比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(当前拿走Reward加下一步可获得最大期望价值),按十分小学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新猎取样本信息覆盖率前左右到消息比率,平常设一点都不大值,保障学习进程牢固,确定保障最终收敛性。Q-Learning须要开头值Q0,比较高伊始值,鼓劲模型多探究。

学习Q-Learning模型用神经网络,获得模型是评估价值互联网。用比较深的神经网络,便是DQN。GoogleDeepMind,《Nature》诗歌,《Human-level control through deep
reinforcement
learning》建议。DeepMind用DQN创设达到规定的规范人类行家水平玩Atari2600体系游戏Agent。

state of the art DQN
Trick。第一个Trick。DQN引进卷积层。模型通过Atari游戏录像图像通晓意况新闻并学习战术。DQN要求知道接收图像,具备图像识别技巧。卷积神经网络,利用可领取空间组织音信卷积层抽出特征。卷积层提取图像中第一指标特征传给后层做分类、回归。DQN用卷积层做加强学习练习,依据条件图像输出决策。

其次个Trick。Experience Replay。深度学习供给大量样本,守旧Q-Learning
online
update方法(逐个对新样本学习)不相符DQN。增大样本,多少个epoch练习,图像反复使用。Experience
Replay,积攒Agent
Experience样本,每一次陶冶随机收取部分样本供互连网学习。稳固产生学习任务,幸免短视只学习最新接触样本,综合再三使用过往多量样书学习。创制积存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,有限支撑大部分样本左近可能率被抽到。不替换旧样本,训练进度被抽到可能率永恒比新样本高比相当多。每趟要求锻炼样本,间接从buffer随机抽出一定量给DQN陶冶,保持样本高利用率,让模型学习到较新样本。

其八个Trick。用首个DQN互连网扶助磨炼,target
DQN,支持总计指标Q值,提供学习目的公式里的maxaQ(st+1,a)。多个网络,三个制作学习目的,五个实际上练习,让Q-Learning磨炼指标保持安静。深化学习
Q-Learning学习目的每一趟更动,学习指标总部是模型本人输出,每趟换代模型参数会导致学习目的转移,更新往往幅度大,训练进程会丰硕不安静、失控,DQN演练会沦为目的Q值与揣测Q值反馈循环(陷入震荡发散,难消失)。必要稳定target
DQN协助网络计算目的Q值。target
DQN,低频率、缓慢学习,输出指标Q值波动不大,减小练习进程影响。

第2个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。古板DQN高估Action
Q值,高估不均匀,导致次优Action被高估超越最优Action。target DQN
负担生成指标Q值,首发生Q(st+1,a),再经过maxa选用最大Q值。Double
DQN,在主DQN上通过最大Q值采取Action,再获得Action在target DQN
Q值。主网选拔Action,targetDQN生成Action
Q值。被增选Q值,不料定总是最大,制止被高估次优Action总是超越最优Action,导致开掘不了真正最棒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,一部分静态意况气象有所价值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)。互连网独家总结意况Value和选取Action
Advantage。Advantage,Action与其他Action比较,零均值。互连网最终,不再直接输出Action数量Q值,输出叁个Value,及Action数量
Advantage值。V值分别加到种种Advantage值上,得最后结果。让DQN学习指标更领悟,假设当前愿意价值主要由景况气象调控,Value值大,全部Advantage波动非常的小;要是愿意价值主要由Action决定,Value值小,Advantage波动大。分解让学习指标更安宁、准确,DQN对意况气象估算手艺更加强。

兑现带Trick DQN。职分情状GridWorld导航类水言纟工。GridWorld包蕴三个hero,4个goal,2个fire。调节hero移动,每一遍向上、下、左、右方向移动一步,多触碰goal(嘉勉值1),避开fire(表彰值-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。

始建GridWorld职责蒙受。载入重视库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,练习时间长,os定时储存模型文件。

创造景况内物体对象class。情状物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(福特ExplorerGB颜色通道)、reward(表彰值)、name(名称)。

始建GridWorld遭遇class,开首化方法只传入参数情况size。景况长、宽为输入size,情况Action
Space设4,开端化处境物体对象列表。self.reset()方法复位遭遇,获得初始observation(GridWorld图像),plt.imshow显示observation。

概念情形reset方法。创立全体GridWorld物体,1个hero(客商调控目的)、4个goal(reward
1)、2个fire(reward
-1),增加到物体对象列表self.objects。self.newPosition()创设物体地方,随机挑选未有被占用新岗位。物有物体size、intensity
1,hero channel 2(木色),goal channel 1(影青),fire channel
0(深褐)。self.renderEnv()绘制GridWorld图像,state。

落到实处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。函数依据输入操作大侠移动。要是移动该方向会变成豪卓越界,不博览会开别的活动。

概念newPosition方法,选择三个跟现存物体不冲突地点。itertools.product方法得到多少个变量全数组成,成立情况size允许持有地方集结points,获取近日具备物体地点集结currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机收取贰个可用地点重返。

定义checkGoal函数。检查hero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,要是物体和坐标与hero完全一致,决断触碰。根据触碰物体销毁,self.newPosition()方法在从心所欲地点再一次生成物体,再次回到物体reward值(goal
1,fire -1)。

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

概念GridWorld情形进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检查测试hero是或不是触碰物体,得到reward、done标志。self.renderEnv获取景况图像state,重回state、reward、done。

调用gameEnv类初叶化方法,设置size
5,创立5×5大小GridWorld情况,每便创造GridWorld意况随机生成。小尺寸蒙受相对容命理术数习,大尺寸较难,练习时间更长。

安顿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计谋。输入scalarInput,扁平化长为84x84x3=21168向量,恢复成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创立第一个卷积层,卷积核尺寸8×8,步长4×4,输出通道数(filter数量)32,padding模型VALID,bias起首化器空。用4×4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,空间尺寸只同意在多个岗位卷积,,输出维度1x1x512。

tf.split(),第四个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的市场股票总值)和Value
Function(意况本人价值)。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。创设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针对境况统一的,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)。最终输出Action,Q值最大Action,tf.argmax。

概念Double
DQN目的Q值targetQ输入placeholder,Agent动作actions输入placeholder。总结指标Q值,action由主DQN选拔,Q值由帮助target
DQN生成。总括预测Q值,scalar情势actions转onehot编码情势,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均方引用误差,学习速率1e-4
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。开头化定义buffer_size存款和储蓄样本最大体积,成立buffer列表。定义向经buffer添澳成分方法。假若超越buffer最大体积,清空最先样本,列表末尾增加新成分。定义样本抽样格局,用random.sample()函数随机抽出一定数额样本。

概念84x84x3 states扁平化 1维向量函数processState,方便前面堆成堆样本。

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前百分之五十参数,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,0.001),target
DQN缓慢学习主DQN。练习时,指标Q值不能够在五次迭代间波动太大,练习特别不安宁、失控,陷入指标Q值和展望Q值反馈循环。要求安静目的Q值磨练网络,缓慢学习target
DQN网络出口指标Q值,主互连网优化目的Q值和展望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创建创新target
DQN模型参数操作,函数updateTarget实施操作。

DQN网络磨练进程参数。batch_size,每趟从experience
buffer获取样本数,32。更新频率update_freq,每间距多少step实践一遍模型参数更新,4。Q值衰减周详(discount
factor)γ,0.99。startE先河实施随机Action概率。endE最后实践随机Action可能率。anneling_steps从带头随机概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选用Action前进行多少步随机Action测量检验。max_epLength每个episode举办多少步Action。load_model是还是不是读取从前练习模型。path模型累积路线。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。

亿万先生官方网站:,Qnetwork类开始化mainQN和协理targetQN。开始化全数模型参数。trainables获取具备可演练参数。updateTargetGraph成立创新target
DQN模型参数操作。

experience_buffer创制experience replay
class,设置当前随机Action概率e,计算e每一步衰减值stepDrop。早先化储存每种episode的reward列表rList,总步数total_steps。创制模型磨炼保存器(Saver)检查保存目录是还是不是存在。

创制暗中认可Session,假设load_model标识True,检查模型文件路线checkpoint,读取载入已封存模型。奉行参数开首化操作,施行更新targetQN模型参数操作。创造GridWorld试验循环,创造各个episode内部experience_buffer,内部buffer不到场当前迭代替练习练,磨炼只行使在此以前episode样本。开首化意况得第一个条件消息s,processState()函数扁平化。起首化暗许done标识d、episode内总reward值rAll、episode内步数j。

创建内层循环,每一次迭代试行Action。总步数稍低于pre_train_steps,强制用随机Action,只从随机Action学习,不抓实进度。到达pre_train_steps,保留十分的小可能率随机选择Action。不随机选取Action,传入当前状态s给主DQN,预测获得应该执行Action。env.step()实践一步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,持续下跌随机选拔Action概率e,直到最低值endE。每当总步数达到update_freq整数部,进行一回陶冶,模型参数更新。从myBuffer中sample出三个batch_size样本。陶冶样本第3列音信,下一景色s1,传入mainQN,实践main.predict,获得主模型选拔Action。s1传来支持targetQN,获得s1状态下具备Action的Q值。mainQN输出Action
,选用targetQN输出Q,获得doubleQ。多少个DQN互连网把挑选Action和出口Q值三个操作分隔断,Double
DQN。操练样本第2列音讯,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和实在利用Action,实践updateTarget函数,推行targetQN模型参数更新(缓慢向mainQN学习)。完整达成三回训练进度。每一个step截至,累积当前这步获取reward,更新当前意况为下一步试验做计划。假使done标识为True,直接中断episode试验。

episode内部episodeBuffer增多到myBuffer,作以后陶冶抽样数据集。当前episode
reward增添到rList。每22个episode显示平均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,平均能够获取reward在2周边,基础baseline。

操练最终episode输出,平均reward 22,十分的大进步。

计算每九拾几个episode平均reward,plt.plot呈现reward变化趋势。从第一千个episode带头,reward神速提高,到第伍仟个episode基本达到规定的标准巅峰,后边进去平台期,进步相当小。

    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),笔者的微信:qingxingfengzi

相关文章

网站地图xml地图