强化学习(二)—— 价值学习(Value-Based)及DQN

强化学习(二)—— 价值学习(Value-Based)及DQN

在这里插入图片描述

1. DQN介绍

Deep Q Network
在这里插入图片描述

  • 目标:最大化累计奖励(回报U
  • 通过神经网络近似最优动作价值函数: Q ( s , a ; W ) ≈ Q ∗ ( s , a ) Q(s,a;W)≈Q^*(s,a) Q(s,a;W)Q(s,a)
  • Q函数可以帮助获得最优动作:
    a t = arg max ⁡ a Q ( s t , a ; W ) a_t = \displaystyle\argmax_aQ(s_t,a;W) at=aargmaxQ(st,a;W)
  • 状态转移函数p可以获得下一时刻的状态:
    s t + 1 = p ( ⋅ ∣ s t , a t ) s_{t+1} = p(·|s_t,a_t) st+1=p(st,at)

2. TD算法介绍

时序差分算法(Temporal Difference)
在这里插入图片描述

  • 得到t时刻的状态和动作
    S t = s t ; A t = a t S_t = s_t; A_t=a_t St=st;At=at
  • 计算t时刻的Q函数值
    q t = Q ( s t , a t ; W t ) q_t = Q(s_t,a_t;W_t) qt=Q(st,at;Wt)
  • 计算t时刻的梯度
    d t = ∂ Q ( s t , a t ; W ) ∂ W ∣ W = W t d_t = \frac{\partial Q(s_t,a_t;W)}{\partial W}|_{W=W_t} dt=WQ(st,at;W)W=Wt
  • 获得t时刻的奖励和t+1时刻的状态
    s t + 1 ; r t s_{t+1}; r_t st+1;rt
  • 计算TD的目标值:
    y t = r t + γ max ⁡ a Q ( s t + 1 , a ; W t ) y_t = r_t+\gamma \displaystyle\max_aQ(s_{t+1},a;W_t) yt=rt+γamaxQ(st+1,a;Wt)
  • 进行梯度更新
    w t + 1 = w t − α ⋅ ( q t − y t ) ⋅ d t w_{t+1} = w_t-\alpha ·(q_t-y_t)·d_t wt+1=wtα(qtyt)dt

3. 案例

成功控制锤子保持平衡

# -*- coding: utf-8 -*-
# @Time : 2022/3/28 16:39
# @Author : CyrusMay WJ
# @FileName: run.py
# @Software: PyCharm
# @Blog :https://blog.csdn.net/Cyrus_May

import gym
import time
import tensorflow as tf
import numpy as np

env = gym.make("CartPole-v0")
gamma = 0.9
adam = tf.optimizers.Adam()
state = env.reset()
act = [1,0]
x_before = np.array([list(state)+act])

model = tf.keras.Sequential([
    tf.keras.layers.Dense(128,activation="sigmoid"),
    tf.keras.layers.Dense(64,activation="sigmoid"),
    tf.keras.layers.Dense(1),
])

model.build(input_shape=[None,6])

for epoch in range(2000):
    with tf.GradientTape() as tape:
        q = model(x_before)
    dt = tape.gradient(q,model.trainable_variables)
    env.render()
    state,reward,done,info = env.step(act[-1])
    state = list(state)
    flag = int(tf.argmax(model(np.array([state+[1,0],state+[0,1]]))[:,0]))
    act = [0,0]
    act[flag] = 1
    x_before = np.array([state + act])
    y = reward + gamma*model(x_before)
    dt = [(q[0][0]-y[0][0])*dt[i] for i in range(len(dt))]
    adam.apply_gradients([(i,j) for i,j in zip(dt,model.trainable_variables)])

    print(epoch,":",q[0][0]-y[0][0])
    if done:
        # time.sleep(1)
        state = env.reset()
        act = [1, 0]
        x_before = np.array([list(state) + act])
        continue

print("end!")

for epoch in range(100):
    state = env.reset()
    act = [1, 0]
    env.render()
    state,reward,done,info = env.step(act[-1])
    state = list(state)
    flag = int(tf.argmax(model(np.array([state+[1,0],state+[0,1]]))[:,0]))
    act = [0,0]
    act[flag] = 1

    if done:
        print(epoch)
        break
env.close()

在这里插入图片描述

本文部分为参考B站学习视频书写的笔记!

by CyrusMay 2022 03 28

如果命运是风
什么又是我的弦
——————五月天(一半人生)——————

  • 10
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值