程序员带你一步步分析AI如何玩Flappy Bird

       以下内容来源于一次部门内部的分享，主要针对AI初学者，介绍包括CNN、Deep Q Network以及TensorFlow平台等内容。由于笔者并非深度学习算法研究者，因此以下更多从应用的角度对整个系统进行介绍，而不会进行详细的公式推导。

 

       关于Flappy Bird Flappy Bird（非官方译名：笨鸟先飞）是一款2013年鸟飞类游戏，由越南河内独立游戏开发者阮哈东（Dong Nguyen）开发，另一个独立游戏开发商GEARS Studios发布。—— 以上内来自《维基百科》 Flappy Bird操作简单，通过点击手机屏幕使Bird上升，穿过柱状障碍物之后得分，碰到则游戏结束。由于障碍物高低不等，控制Bird上升和下降需要反应快并且灵活，要得到较高的分数并不容易，笔者目前最多得过10分。

       本文主要介绍如何通过AI（人工智能）的方式玩Flappy Bird游戏，分为以下四个部分内容： Flappy Bird 游戏展示 模型：卷积神经网络 算法：Deep Q Network 代码：TensorFlow实现 一、Flappy Bird 游戏展示 在介绍模型、算法前先来直接看下效果，上图是刚开始训练的时候，画面中的小鸟就像无头苍蝇一样乱飞，下图展示的是在本机（后面会给出配置）训练超过10小时后（训练步数超过2000000）的情况，其最好成绩已经超过200分，人类玩家已基本不可能超越。

训练数小于10000步（刚开始训练）

 

训练步数大于2000000步（10小时后）

 

        由于本机配置了CUDA以及cuDNN，采用了NVIDIA的显卡进行并行计算，所以这里提前贴一下运行时的日志输出。

        关于CUDA以及cuDNN的配置，其中有一些坑包括：安装CUDA之后循环登录，屏幕分辨率无法正常调节等等，都是由于NVIDIA驱动安装的问题，这不是本文要讨论的主要内容，读者可自行Google。

 

• 加载CUDA运算库

• 

  加载CUDA运算库

• TensorFlow运行设备 /gpu:0

• 

  TensorFlow运行设备/gpu:0

• /gpu:0 这是TensorFlow平台默认的配置方法，表示使用系统中的第一块显卡。 本机软硬件配置： 系统：Ubuntu 16.04 显卡：NVIDIA GeForce GTX 745 4G 版本：TensorFlow 1.0 软件包：OpenCV 3.2.0、Pygame、Numpy、… 细心的朋友可能发现，笔者的显卡配置并不高，GeForce GTX 745，显存3.94G，可用3.77G（桌面占用了一部分），属于入门中的入门。对于专业做深度学习算法的朋友，这个显卡必然是不够的。知乎上有帖子教大家怎么配置更专业的显卡，有兴趣的可以移步。

 

二、模型：卷积神经网络

神经网络算法是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。人工神经元与生物神经元结构类似，其结构对比如下图所示。

生物神经元

 

人工神经元

       人工神经元的输入（x1,x2...xm）类似于生物神经元的树突，输入经过不同的权值（wk1, wk2, ....wkn），加上偏置，经过激活函数得到输出，最后将输出传输到下一层神经元进行处理。 单神经元输出函数 激活函数为整个网络引入了非线性特性，这也是神经网络相比于回归等算法拟合能力更强的原因。常用的激活函数包括sigmoid、tanh等，它们的函数表达式如下：

sigmoid函数

tanh双曲正切函数

这里可以看出，sigmoid函数的值域是（0,1），tanh函数的值域是（-1,1）。

卷积神经网络起源于动物的视觉系统，主要包含的技术是：

1. 局部感知域（稀疏连接）；
2. 参数共享；
3. 多卷积核；
4. 池化。

1. 局部感知域（稀疏连接） 全连接网络的问题在于：

1. 需要训练的参数过多，容器导致结果不收敛（梯度消失），且训练难度极大；
2. 实际上对于某个局部的神经元来讲，它更加敏感的是小范围内的输入，换句话说，对于较远的输入，其相关性很低，权值也就非常小。 人类的视觉系统决定了人在观察外界的时候，总是从局部到全局。

       比如，我们看到一个美女，可能最先观察到的是美女身上的某些部位（自己体会）。

       因此，卷积神经网络与人类的视觉类似，采用局部感知，低层的神经元只负责感知局部的信息，在向后传输的过程中，高层的神经元将局部信息综合起来得到全局信息。

全连接与局部连接的对比（图片来自互联网）

       从上图中可以看出，采用局部连接之后，可以大大的降低训练参数的量级。

   2. 参数共享

       虽然通过局部感知降低了训练参数的量级，但整个网络需要训练的参数依然很多。

        参数共享就是将多个具有相同统计特征的参数设置为相同，其依据是图像中一部分的统计特征与其它部分是一样的。其实现是通过对图像进行卷积（卷积神经网络命名的来源）。

       可以理解为，比如从一张图像中的某个局部（卷积核大小）提取了某种特征，然后以这种特征为探测器，应用到整个图像中，对整个图像顺序进行卷积，得到不同的特征。
 

卷积过程（图片来自互联网）

       每个卷积都是一种特征提取方式，就像一个筛子，将图像中符合条件（激活值越大越符合条件）的部分筛选出来，通过这种卷积就进一步降低训练参数的量级。

• 3. 多卷积核、

       如上，每个卷积都是一种特征提取方式，那么对于整幅图像来讲，单个卷积核提取的特征肯定是不够的，那么对同一幅图像使用多种卷积核进行特征提取，就能得到多幅特征图（feature map）。

不同的卷积核提取不同的特征（图片来自互联网）

多幅特征图可以看成是同一张图像的不同通道，这个概念在后面代码实现的时候用得上。

• 4. 池化

         得到特征图之后，可以使用提取到的特征去训练分类器，但依然会面临特征维度过多，难以计算，并且可能过拟合的问题。从图像识别的角度来讲，图像可能存在偏移、旋转等，但图像的主体却相同的情况。也就是不同的特征向量可能对应着相同的结果，那么池化就是解决这个问题的。

        池化就是将池化核范围内（比如2*2范围）的训练参数采用平均值（平均值池化）或最大值（最大值池化）来进行替代。

        终于到了展示模型的时候，下面这幅图是笔者手画的（用电脑画太费时，将就看吧），这幅图展示了本文中用于训练游戏所用的卷积神经网络模型。

卷积神经网络模型

图像的处理过程

1. 初始输入四幅图像80×80×4（4代表输入通道，初始时四幅图像是完全一致的），经过卷积核8×8×4×32（输入通道4，输出通道32），步距为4（每步卷积走4个像素点），得到32幅特征图（feature map），大小为20×20；
2. 将20×20的图像进行池化，池化核为2×2，得到图像大小为10×10；
3. 再次卷积，卷积核为4×4×32×64，步距为2，得到图像5×5×64；
4. 再次卷积，卷积核为3×3×64*64，步距为2，得到图像5×5×64，虽然与上一步得到的图像规模一致，但再次卷积之后的图像信息更为抽象，也更接近全局信息；
5. Reshape，即将多维特征图转换为特征向量，得到1600维的特征向量；
6. 经过全连接1600×512，得到512维特征向量；
7. 再次全连接512×2，得到最终的2维向量[0,1]和[1,0]，分别代表游戏屏幕上的是否点击事件。

 

        可以看出，该模型实现了端到端的学习，输入的是游戏屏幕的截图信息（代码中经过opencv处理），输出的是游戏的动作，即是否点击屏幕。深度学习的强大在于其数据拟合能力，不需要传统机器学习中复杂的特征提取过程，而是依靠模型发现数据内部的关系。

        不过这也带来另一方面的问题，那就是深度学习高度依赖大量的标签数据，而这些数据获取成本极高。

三、算法：Deep Q Network

 

        有了卷积神经网络模型，那么怎样训练模型？使得模型收敛，从而能够指导游戏动作呢？机器学习分为监督学习、非监督学习和强化学习，这里要介绍的Q Network属于强化学习（Reinforcement Learning）的范畴。在正式介绍Q Network之前，先简单说下它的光荣历史。

        2014年Google 4亿美金收购DeepMind的桥段，大家可能听说过。那么，DeepMind是如何被Google给盯上的呢？最终原因可以归咎为这篇论文：

Playing Atari with Deep Reinforcement Learning

 

        DeepMind团队通过强化学习，完成了20多种游戏，实现了端到端的学习。其用到的算法就是Q Network。2015年，DeepMind团队在《Nature》上发表了一篇升级版：

Human-level control through deep reinforcement learning、

 

        自此，在这类游戏领域，人已经无法超过机器了。后来又有了AlphaGo，以及Master，当然，这都是后话了。其实本文也属于上述论文的范畴，只不过基于TensorFlow平台进行了实现，加入了一些笔者自己的理解而已。

        回到正题，Q Network属于强化学习，那么先介绍下强化学习。

强化学习模型    

这张图是从UCL的课程中拷出来的，课程链接地址（YouTube）：
https://www.youtube.com/watch?v=2pWv7GOvuf0

        强化学习过程有两个组成部分：

• 智能代理（学习系统）
• 环境

        如图所示，在每步迭代过程中，首先智能代理（学习系统）接收环境的状态st，然后产生动作at作用于环境，环境接收动作at，并且对其进行评价，反馈给智能代理rt。不断的循环这个过程，就会产生一个状态/动作/反馈的序列：（s1, a1, r1, s2, a2, r2.....,sn, an, rn），而这个序列让我们很自然的想起了:

• 马尔科夫决策过程

MDP：马尔科夫决策过程

    马尔科夫决策过程与著名的HMM（隐马尔科夫模型）相同的是，它们都具有马尔科夫特性。那么什么是马尔科夫特性呢？简单来说，就是未来的状态只取决于当前的状态，与过去的状态无关。

HMM（马尔科夫模型）在语音识别，行为识别等机器学习领域有较为广泛的应用。条件随机场模型（Conditional Random Field）则用于自然语言处理。两大模型是语音识别、自然语言处理领域的基石。

 

        上图可以用一个很形象的例子来说明。比如你毕业进入了一个公司，你的初始职级是T1（对应图中的 s1），你在工作上刻苦努力，追求上进（对应图中的a1），然后领导觉得你不错，准备给你升职（对应图中的r1），于是，你升到了T2；你继续刻苦努力，追求上进......不断的努力，不断的升职，最后升到了sn。当然，你也有可能不努力上进，这也是一种动作，换句话说，该动作a也属于动作集合A，然后得到的反馈r就是没有升职加薪的机会。

        这里注意下，我们当然希望获取最多的升职，那么问题转换为：如何根据当前状态s（s属于状态集S），从A中选取动作a执行于环境，从而获取最多的r，即r1 + r2 ……+rn的和最大 ？这里必须要引入一个数学公式：状态值函数。
 

状态值函数模型

 

        公式中有个折合因子γ，其取值范围为[0,1]，当其为0时，表示只考虑当前动作对当前的影响，不考虑对后续步骤的影响，当其为1时，表示当前动作对后续每步都有均等的影响。当然，实际情况通常是当前动作对后续得分有一定的影响，但随着步数增加，其影响减小。

         从公式中可以看出，状态值函数可以通过迭代的方式来求解。增强学习的目的就是求解马尔可夫决策过程（MDP）的最优策略。

        策略就是如何根据环境选取动作来执行的依据。策略分为稳定的策略和不稳定的策略，稳定的策略在相同的环境下，总是会给出相同的动作，不稳定的策略则反之，这里我们主要讨论稳定的策略。

        求解上述状态函数需要采用动态规划的方法，而具体到公式，不得不提：

• 贝尔曼方程

贝尔曼方程

 

        其中，π代表上述提到的策略，Q π (s, a)相比于V π (s)，引入了动作，被称作动作值函数。对贝尔曼方程求最优解，就得到了贝尔曼最优性方程。

状态值函数最优解

动作值函数最优解

        求解该方程有两种方法：策略迭代和值迭代。

• 策略迭代

策略迭代分为两个步骤：策略评估和策略改进，即首先评估策略，得到状态值函数，其次，改进策略，如果新的策略比之前好，就替代老的策略。

策略迭代

• 值迭代

从上面我们可以看到，策略迭代算法包含了一个策略估计的过程，而策略估计则需要扫描(sweep)所有的状态若干次，其中巨大的计算量直接影响了策略迭代算法的效率。而值迭代每次只扫描一次，更新过程如下：

值迭代

即在值迭代的第k+1次迭代时，直接将能获得的最大的Vπ(s)值赋给Vk+1。

• Q-Learning

Q-Learning是根据值迭代的思路来进行学习的。该算法中，Q值更新的方法如下：

Q值更新方法

        虽然根据值迭代计算出目标Q值，但是这里并没有直接将这个Q值（是估计值）直接赋予新的Q，而是采用渐进的方式类似梯度下降，朝目标迈近一小步，取决于α，这就能够减少估计误差造成的影响。类似随机梯度下降，最后可以收敛到最优的Q值。具体算法如下：

Q-Learning算法

如果没有接触过动态规划的童鞋看上述公式可能有点头大，下面通过表格来演示下Q值更新的过程，大家就明白了。

 

状态	a1	a2	a3	a4
S1	Q(1, 1)	Q(1, 2)	Q(1, 3)	Q(1, 4)
S2	Q(2, 1)	Q(2, 2)	Q(2, 3)	Q(2, 4)
S3	Q(3, 1)	Q(3, 2)	Q(3, 3)	Q(3, 4)
S4	Q(4, 1)	Q(4, 2)	Q(4, 3)	Q(4, 4)

        Q-Learning算法的过程就是存储Q值的过程。上表中，横列为状态s，纵列为Action a，s和a决定了表中的Q值。

• 第一步：初始化，将表中的Q值全部置0；
• 第二步：根据策略及状态s，选择a执行。假定当前状态为s1，由于初始值都为0，所以任意选取a执行，假定这里选取了a2执行，得到了reward为1，并且进入了状态s3。根据Q值更新公式：

Q值更新公式

        来更新Q值，这里我们假设α是1，λ也等于1，也就是每一次都把目标Q值赋给Q。那么这里公式变成：

Q值更新公式

所以在这里，就是

本次Q值更新

那么对应的s3状态，最大值是0，所以

Q值

Q表格就变成：

状态	a1	a2	a3	a4
S1	0	1	0	0
S2	0	0	0	0
S3	0	0	0	0
S4	0	0	0	0

 

然后置位当前状态s为s3。

• 第三步：继续循环操作，进入下一次动作，当前状态是s3，假设选择动作a3，然后得到reward为2，状态变成s1，那么我们同样进行更新：

Q值更新

所以Q的表格就变成：

状态	a1	a2	a3	a4
S1	0	1	0	0
S2	0	0	0	0
S3	0	0	3	0
S4	0	0	0	0

• 第四步： 继续循环，Q值在试验的同时反复更新，直到收敛。

转载于:https://my.oschina.net/u/2902720/blog/1353510