福寿无疆价值评估网络

by admin on 2019年10月7日

Q-Learning,学习Action对应期望值(Expected
Utility)。一九九零年,Watkins提议。收敛性,1991年,Watkins和Dayan共同验证。学习期待价值,从脚下一步到独具继续手续,总希望得到最大价值(Q值、Value)。Action->Q函数,最棒攻略,在每一个state下,选用Q值最高的Action。不正视境况模型。有限马尔科夫决策进程(马克ov
Dectision Process) ,Q-Learning被证实最后能够找到最优政策。

学学笔记TF038:完成估价互联网,tf038价值评估

Q-Learning,学习Action对应期待值(Expected
Utility)。一九八七年,Watkins提议。收敛性,1991年,Watkins和Dayan共同证实。学习期待价值,从最近一步到全体继续手续,总希望得到最大价值(Q值、Value)。Action->Q函数,最好计谋,在种种state下,选择Q值最高的Action。不相信任情况模型。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指标,求解函数Q(st,at),根据当下情状气象,估摸Action期待价值。Q-Learning练习模型,以(状态、行为、奖赏、下一情景)构成元组(st,at,rt+1,st+1)样本磨炼,st当前情景,at当前情景下实践action,rt+1施行Action后获得表彰,st+1下一气象,(当前气象,行动,表彰,下一景色)。特征(st,at)。学习指标(期待价值)
rt+1+γ·maxaQ(st+1,a),当前Action得到Reward,加下一步可获得最大梦想价值,当前事态行动奖励,加下一情况行动最大希望价值。学习目的包蕴Q-Learning函数自身,递归求解。下一步可获最大期望价值乘γ(衰减周详discount
factor),今后表彰的学习权重。discount factor
0,模型学习不到任何以后嘉勉消息,变短视,只关切方今补益。discount factor
>=
1,算法也许不恐怕磨灭,期望价值不断增多未有衰减(discount),期待价值发散。discount
factor平时比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),向学习指标(当前获得Reward加下一步可收获最大梦想价值),按比较小学习速率α学习,得到新Q-Learning函数Qnew(st,at)。学习速率决定新获得样本消息覆盖率前左右到新闻比率,平时设十分小值,保障学习进程稳固,确认保障最终收敛性。Q-Learning供给早先值Q0,相比较高最先值,鼓劲模型多查究。

学习Q-Learning模型用神经互联网,获得模型是估价互联网。用相比深的神经互连网,正是DQN。GoogleDeepMind,《Nature》故事集,《Human-level control through deep
reinforcement
learning》提出。DeepMind用DQN创造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。第四个Trick。DQN引进卷积层。模型通过Atari游戏录制图像理解情状新闻并学习攻略。DQN须求精通接收图像,具有图像识别技能。卷积神经网络,利用可领到空间协会消息卷积层抽出特征。卷积层提取图像中首要对象特征传给后层做分类、回归。DQN用卷积层做强化学习锻练,依照情状图像输出决策。

其次个Trick。Experience Replay。深度学习必要多量样本,古板Q-Learning
online
update方法(逐个对新样本学习)不适合DQN。增大样本,两个epoch陶冶,图像每每使用。Experience
Replay,积累Agent
Experience样本,每一遍磨炼随机收取部分样本供互联网学习。稳固变成学习职务,防止短视只学习最新接触样本,综合一再使用过往多量样本学习。成立累积Experience缓存buffer,积累一定量较新样本。体量满了,用新样本替换最旧样本,保险超过四分之二样本相近可能率被抽到。不替换旧样本,练习进度被抽到可能率永世比新样本高非常多。每一回供给操练样本,直接从buffer随机收取一定量给DQN陶冶,保持样本高利用率,让模型学习到较新样本。

其七个Trick。用第一个DQN网络帮衬磨炼,target
DQN,扶助总结目的Q值,提供就学指标公式里的maxaQ(st+1,a)。八个网络,多少个创造学习目的,一个实际上练习,让Q-Learning陶冶目的保持安澜。强化学习
Q-Learning学习指标每一次改造,学习目的根据地是模型自己输出,每一次换代模型参数会导致学习目的转移,更新往往幅度大,演练进度会特不平静、失控,DQN练习会深陷目的Q值与估算Q值反馈循环(陷入震荡发散,难消失)。须求稳固target
DQN帮忙互连网计算指标Q值。target
DQN,低频率、缓慢学习,输出指标Q值波动比较小,减小陶冶进程影响。

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被高估超过最优Action。target DQN
肩负生成目的Q值,先产生Q(st+1,a),再通过maxa采纳最大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。主网选择Action,targetDQN生成Action
Q值。被增选Q值,不肯定总是最大,避免被高估次优Action总是抢先最优Action,导致发现不了真正最佳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。谷歌 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,一部分静态遭受气象有所价值V(st),Value;另一部分动态选取Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。互联网独家总括意况Value和抉择Action
Advantage。Advantage,Action与任何Action相比较,零均值。网络最后,不再直接输出Action数量Q值,输出二个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学习目的更显明,假如超越前时代待价值主要由环情控制,Value值大,全体Advantage波动相当的小;假诺希望价值首要由Action决定,Value值小,Advantage波动大。分解让学习指标更安定、准确,DQN对意况景况估计手艺更加强。

年年有余带Trick DQN。任务情状GridWorld导航类水言纟工。GridWorld包涵贰个hero,4个goal,2个fire。调整hero移动,每便向上、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。

创建GridWorld任务情状。载入注重库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,陶冶时间长,os定时积累模型文件。

创设景况内物体对象class。意况物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(CR-VGB颜色通道)、reward(表彰值)、name(名称)。

始建GridWorld意况class,初叶化方法只传入参数情形size。遇到长、宽为输入size,情状Action
Space设4,起先化意况物体对象列表。self.reset()方法重新恢复设置碰着,获得初步observation(GridWorld图像),plt.imshow呈现observation。

概念境况reset方法。成立全数GridWorld物体,1个hero(客户控制目的)、4个goal(reward
1)、2个fire(reward
-1),增多到实体对象列表self.objects。self.newPosition()成立物体地方,随机采纳未有被占有新岗位。物有物体size、intensity
1,hero channel 2(巴黎绿),goal channel 1(暗红),fire channel
0(水晶色)。self.renderEnv()绘制GridWorld图像,state。

贯彻移动壮士角色方法,传入值0、1、2、3八个数字,分别代表上、下、左、右。函数依照输入操作英豪移动。如若运动该方向会产生英豪出界,不会进行其余活动。

概念newPosition方法,选拔一个跟现成物体不争论地点。itertools.product方法赢得多少个变量全体组成,创设处境size允许全部职位集结points,获取近些日子全体物体地点集合currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机抽出三个可用地方重临。

定义checkGoal函数。检查hero是还是不是触碰goal、fire。从objects获取hero,别的实体对象放置others列表。编历others列表,借使物体和坐标与hero完全一致,判断触碰。依据触碰物体销毁,self.newPosition()方法在随机地方再次生成物体,再次回到物体reward值(goal
1,fire -1)。

创造长宛size+2、颜色通道数 3
图片。初阶值全1,代表全卡其色。最外面内部像素颜色值全部赋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,经常游玩图像尺寸。

概念GridWorld意况进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检验hero是还是不是触碰物体,获得reward、done标志。self.renderEnv获取蒙受图像state,重临state、reward、done。

调用gameEnv类开首化方法,设置size
5,创制5×5大小GridWorld情形,每便创制GridWorld遇到随机生成。小尺寸蒙受相对容命理术数习,大尺寸较难,磨炼时间越来越长。

规划DQN(Deep
Q-Network)网络。使用卷积层,能够直接从碰到原始像素学习战略。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创制第三个卷积层,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初步化器空。用4×4开间和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3个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的股票总市值)和Value
Function(境况本人价值)。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。成立streamA和streamV线性全连接层参数AW和VW。tf.random_normal起始化权重,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针对蒙受统一的,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,均值计算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。总括指标Q值,action由主DQN选取,Q值由扶助target
DQN生成。总计预测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都来自己作主DQN)。

定义loss,tf.square、tf.reduce_mean总结targetQ和Q均方误差,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。伊始化定义buffer_size存款和储蓄样本最大容积,成立buffer列表。定义向经buffer添比索素方法。假若超越buffer最大体量,清空最先样本,列表末尾增添新成分。定义样本抽样形式,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,方便前面积聚样本。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法革新模型参数)。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前五成参数,主DQN模型参数。再令帮忙targetDQN参数朝向主DQN参数前进十分的小比例(tau,0.001),target
DQN缓慢学习主DQN。练习时,指标Q值无法在两遍迭代间波动太大,锻炼特别不安宁、失控,陷入目的Q值和展望Q值反馈循环。须要牢固指标Q值锻练网络,缓慢学习target
DQN互联网出口目的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试行操作。

DQN互联网训练进度参数。batch_size,每便从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step施行一回模型参数更新,4。Q值衰减周全(discount
factor)γ,0.99。startE初始实践随机Action可能率。endE末了施行随机Action可能率。anneling_steps从上马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遇到试验。pre_train_steps正式用DQN采纳Action前实行多少步随机Action测验。max_epLength每一种episode实行多少步Action。load_model是还是不是读取从前陶冶模型。path模型储存路线。h_size是DQN互联网最终全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类开始化mainQN和帮助targetQN。开始化全数模型参数。trainables获取拥有可磨炼参数。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,总结e每一步衰减值stepDrop。早先化积存各样episode的reward列表rList,总步数total_steps。创设模型陶冶保存器(Saver)检查保存目录是不是存在。

开创暗许Session,假若load_model标记True,检查模型文件路线checkpoint,读取载入已保存模型。执行参数起首化操作,推行更新targetQN模型参数操作。创制GridWorld试验循环,创造种种episode内部experience_buffer,内部buffer不加入当前迭代替陶冶练,磨练只行使从前episode样本。起头化情状得第一个情形消息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。

创立内层循环,每趟迭代实践Action。总步数紧跟于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,保留非常小可能率随机选用Action。不随机选用Action,传入当前状态s给主DQN,预测获得应该施行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。

总步数抢先pre_train_steps,持续下落随机采用Action可能率e,直到最低值endE。每当总步数到达update_freq整数部,进行二回演练,模型参数更新。从myBuffer中sample出八个batch_size样本。练习样本第3列音信,下一场所s1,传入mainQN,施行main.predict,获得主模型选拔Action。s1流传协助targetQN,获得s1状态下具备Action的Q值。mainQN输出Action
,选拔targetQN输出Q,获得doubleQ。三个DQN网络把选拔Action和出口Q值多个操作分隔绝,Double
DQN。陶冶样本第2列消息,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,学习目的targetQ和事实上选择Action,试行updateTarget函数,施行targetQN模型参数更新(缓慢向mainQN学习)。完整完毕二遍磨炼进程。每一个step截止,累计当前那步获取reward,更新当前气象为下一步试验做希图。假如done标志为True,直接中断episode试验。

episode内部episodeBuffer加多到myBuffer,作今后练习抽样数据集。当前episode
reward增多到rList。每二十多个episode展现平均reward值。每一千个episode或任何教练实现,保存当前模型。

初步200个episode内,完全随机Action的前10000步内,平均能够拿走reward在2紧邻,基础baseline。

陶冶最终episode输出,平均reward 22,相当大升高。

算算每九18个episode平均reward,plt.plot体现reward变化趋势。从第1000个episode早先,reward火速升高,到第伍仟个episode基本达到顶峰,后面进去平台期,进步比很小。

    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》

接待付费咨询(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对应期待值(Expected
Utility)。一九九〇年,Watkins建议。收敛性,壹玖玖壹年,沃特kins和Dayan共同证…

Q-Learning指标,求解函数Q(st,at),依照当前条件处境,估计Action期望价值。Q-Learning操练模型,以(状态、行为、嘉奖、下一情形)构成元组(st,at,rt+1,st+1)样本磨练,st当前景况,at当前事态下试行action,rt+1试行Action后拿走褒奖,st+1下一状态,(当前情况,行动,奖赏,下一情景)。特征(st,at)。学习指标(期待价值)
rt+1+γ·maxaQ(st+1,a),当前Action获得Reward,加下一步可获取最大期望价值,当前气象行动表彰,加下一景观行动最大梦想价值。学习目的包蕴Q-Learning函数本人,递归求解。下一步可获最大期望价值乘γ(衰减周密discount
factor),今后奖励的就学权重。discount factor
0,模型学习不到别的今后奖励音信,变短视,只关怀近日补益。discount factor
>=
1,算法大概不可能磨灭,期待价值持续丰盛未有衰减(discount),期待价值发散。discount
factor日常比1稍小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习进度式子。旧Q-Learning函数Qold(st,at),向学习指标(当前拿到Reward加下一步可得到最大期望价值),按一点都不大学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新获得样本新闻覆盖率前左右到音信比率,平日设十分的小值,保障学习进度稳固,确认保障最终收敛性。Q-Learning必要初叶值Q0,相比较高初步值,鼓劲模型多探寻。

学学Q-Learning模型用神经互联网,得到模型是评估价值互连网。用相比深的神经互连网,正是DQN。GoogleDeepMind,《Nature》故事集,《Human-level control through deep
reinforcement
learning》提议。DeepMind用DQN成立达到规定的标准人类专家水平玩Atari2600体系游戏Agent。

state of the art DQN
Trick。第二个Trick。DQN引进卷积层。模型通过Atari游戏录像图像掌握情况新闻并学习攻略。DQN必要知道接收图像,具有图像识别技巧。卷积神经网络,利用可领取空间协会音讯卷积层抽出特征。卷积层提取图像中第一指标特征传给后层做分类、回归。DQN用卷积层做强化学习陶冶,遵照条件图像输出决策。

其次个Trick。Experience Replay。深度学习必要多量样书,古板Q-Learning
online
update方法(逐个对新样本学习)不切合DQN。增大样本,七个epoch磨练,图像反复使用。Experience
Replay,储存Agent
Experience样本,每回演练随机抽取部分样本供互连网学习。牢固形成学习职分,防止短视只学习最新接触样本,综合屡屡使用过往大批量样书学习。创制积攒Experience缓存buffer,积累一定量较新样本。体量满了,用新样本替换最旧样本,保证半数以上样本相近可能率被抽到。不替换旧样本,磨炼进度被抽到可能率永恒比新样本高很多。每趟需求磨练样本,间接从buffer随机收取一定量给DQN锻炼,保持样本高利用率,让模型学习到较新样本。

其八个Trick。用第二个DQN互连网帮忙练习,target
DQN,协理总结指标Q值,提供学习目的公式里的maxaQ(st+1,a)。四个互连网,多个制作学习指标,二个实际上陶冶,让Q-Learning操练目的保持平稳。强化学习
Q-Learning学习指标每回改变,学习目的总局是模型自身输出,每趟换代模型参数会促成学习指标转移,更新往往幅度大,磨炼进度会要命不安宁、失控,DQN练习会陷于指标Q值与展望Q值反馈循环(陷入震荡发散,难消失)。需求牢固target
DQN帮助互联网计算目的Q值。target
DQN,低频率、缓慢学习,输出指标Q值波动相当小,减小陶冶进度影响。

首个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被高估当先最优Action。target DQN
担负生成指标Q值,头阵生Q(st+1,a),再经过maxa选拔最大Q值。Double
DQN,在主DQN上通过最大Q值选取Action,再猎取Action在target DQN
Q值。主网采取Action,targetDQN生成Action
Q值。被增选Q值,不必然总是最大,制止被高估次优Action总是超过最优Action,导致发掘不了真正最棒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,一部分静态环情有所价值V(st),Value;另一有个别动态选取Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。互联网独家总计情形Value和挑选Action
Advantage。Advantage,Action与任何Action相比较,零均值。互联网最后,不再直接输出Action数量Q值,输出二个Value,及Action数量
Advantage值。V值分别加到各种Advantage值上,得最终结果。让DQN学习指标更刚毅,借使当前可望价值首要由环情调控,Value值大,全部Advantage波动非常的小;要是希望价值首要由Action决定,Value值小,Advantage波动大。分解让学习指标更安定、正确,DQN对环情测度技能更加强。

贯彻带Trick DQN。职分情况GridWorld导航类水言纟工。GridWorld包罗二个hero,4个goal,2个fire。调整hero移动,每一次向上、下、左、右方向运动一步,多触碰goal(表彰值1),避开fire(表彰值-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。

创立GridWorld职务意况。载入信任库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,陶冶时间长,os按时积累模型文件。

创制情状内物体对象class。碰着物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(奥德赛GB颜色通道)、reward(嘉勉值)、name(名称)。

创立GridWorld景况class,开头化方法只传入参数景况size。蒙受长、宽为输入size,意况Action
Space设4,起始化情形物体对象列表。self.reset()方法重新设置遭遇,获得发轫observation(GridWorld图像),plt.imshow呈现observation。

概念情况reset方法。创设全体GridWorld物体,1个hero(顾客调整目的)、4个goal(reward
1)、2个fire(reward
-1),增加到实体对象列表self.objects。self.newPosition()创设物体地点,随机采取未有被挤占新岗位。物有物体size、intensity
1,hero channel 2(粉末蓝),goal channel 1(鲜红),fire channel
0(深绿)。self.renderEnv()绘制GridWorld图像,state。

落到实处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。函数依据输入操作壮士移动。假若运动该方向会招致英豪出界,不会开展其它活动。

概念newPosition方法,采纳二个跟现存物体不争持地点。itertools.product方法获得多少个变量全体组成,成立境况size允许全体职位群集points,获取近些日子持有物体地点会集currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽出一个可用地方重返。

定义checkGoal函数。检查hero是还是不是触碰goal、fire。从objects获取hero,别的实体对象放置others列表。编历others列表,要是物体和坐标与hero完全一致,判别触碰。依照触碰物体销毁,self.newPosition()方法在随飞机地方置再一次生成物体,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。开端值全1,代表全灰绿。最外侧内部像素颜色值全体赋0,代表粉红白。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原始大小resize
84x84x3尺寸,符合规律游玩图像尺寸。

概念GridWorld境况进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检查测验hero是不是触碰物体,获得reward、done标志。self.renderEnv获取意况图像state,再次来到state、reward、done。

调用gameEnv类伊始化方法,设置size
5,创制5×5大小GridWorld意况,每一趟创设GridWorld碰到随机变化。小尺寸情状相对轻便学习,大尺寸较难,磨炼时间越来越长。

统一筹算DQN(Deep
Q-Network)互联网。使用卷积层,能够一贯从情状原始像素学习战术。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创立第2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最先化器空。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,空间尺寸只同意在一个职位卷积,,输出维度1x1x512。

tf.split(),第三个卷积层输出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(碰着自个儿价值)。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指标Q值targetQ输入placeholder,Agent动作actions输入placeholder。总括目的Q值,action由主DQN选用,Q值由支持target
DQN生成。总结预测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都源于主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值和对象Q值偏差。

实现Experience Replay策略。定义experience_buffer
class。最初化定义buffer_size存储样本最大容积,创设buffer列表。定义向经buffer添日币素方法。借使抢先buffer最大容积,清空最初样本,列表末尾增多新成分。定义样本抽样格局,用random.sample()函数随机抽出一定数额样本。

概念84x84x3 states扁平化 1维向量函数processState,方便后边堆积样本。

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前八分之四参数,主DQN模型参数。再令扶助targetDQN参数朝向主DQN参数前进十分的小比例(tau,0.001),target
DQN缓慢学习主DQN。操练时,目的Q值不能够在几遍迭代间波动太大,磨炼特别不安定、失控,陷入指标Q值和预测Q值反馈循环。须要安静指标Q值磨炼互联网,缓慢学习target
DQN网络出口目的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创造立异target
DQN模型参数操作,函数updateTarget实践操作。

DQN网络磨练进度参数。batch_size,每一次从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step试行三遍模型参数更新,4。Q值衰减周全(discount
factor)γ,0.99。startE起首实践随机Action可能率。endE最后实行随机Action可能率。anneling_steps从开首随机可能率降到最后随机几率所需步数。num_episodes总共多少次GridWorld碰着试验。pre_train_steps正式用DQN选拔Action前举办多少步随机Action测验。max_epLength种种episode进行多少步Action。load_model是不是读取在此之前练习模型。path模型累积路线。h_size是DQN网络最终全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类先导化mainQN和帮忙targetQN。初步化全体模型参数。trainables获取具备可锻练参数。updateTargetGraph创设创新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,总结e每一步衰减值stepDrop。早先化积攒种种episode的reward列表rList,总步数total_steps。创设模型磨炼保存器(Saver)检查保存目录是或不是留存。

始建暗许Session,倘使load_model标志True,检查模型文件路线checkpoint,读取载入已保存模型。施行参数伊始化操作,施行更新targetQN模型参数操作。创立GridWorld试验循环,创制每种episode内部experience_buffer,内部buffer不插手当前迭代磨炼,演习只行使以前episode样本。起先化景况得第叁个条件音信s,processState()函数扁平化。最早化默许done标识d、episode内总reward值rAll、episode内步数j。

创办内层循环,每趟迭代试行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。达到pre_train_steps,保留极小可能率随机接纳Action。不随机采取Action,传入当前状态s给主DQN,预测获得应该实行Action。env.step()执行一步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,持续下跌随机选拔Action可能率e,直到最低值endE。每当总步数达到update_freq整数部,实行贰次磨练,模型参数更新。从myBuffer中sample出一个batch_size样本。练习样本第3列新闻,下一景色s1,传入mainQN,实践main.predict,获得主模型选用Action。s1传到接济targetQN,获得s1状态下有所Action的Q值。mainQN输出Action
,选用targetQN输出Q,获得doubleQ。八个DQN网络把挑选Action和出口Q值八个操作分隔开分离,Double
DQN。陶冶样本第2列新闻,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和实在使用Action,推行updateTarget函数,推行targetQN模型参数更新(缓慢向mainQN学习)。完整完结二回磨练进程。各样step甘休,累计当前那步获取reward,更新当前情状为下一步试验做计划。借使done标识为True,间接中断episode试验。

episode内部episodeBuffer增添到myBuffer,作现在操练抽样数据集。当前episode
reward加多到rList。每二十二个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。

磨练最终episode输出,平均reward 22,比不小进步。

计量每玖拾九个episode平均reward,plt.plot体现reward变化趋势。从第一千个episode初始,reward连忙进步,到第5000个episode基本完毕高峰,前面进去平台期,提高十分小。

    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)

 

仿照效法资料:
《TensorFlow实战》

招待付费咨询(150元每小时),作者的微信:qingxingfengzi

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