CNTK与深度强化学习笔记之二： Cart Pole游戏示例

如需转载，请指明出处。

---

前言

前面一篇文章，CNTK与深度强化学习笔记之一： 环境搭建和基本概念，非常概要的介绍了CNTK，深度强化学习和DQN的一些基本概念。这些概念希望后面还有文章继续展开深入:)，但是只看理论不写代码，很容易让人迷惑。学习应该是一个理论和实践反复的过程。上一章的公式太多，这一章没有公式，只有代码。建议大家这两章来回看，把理论和代码对应起来。我们先来一个简单的例子看一下。这个例子来自CNTK的官方文档：CNTK 203: Reinforcement Learning Basics，做了一些修改。

上一篇文章之后，有几个问题可能是比较让人困惑的，先列举在这里，然后我们通过示例看看是如何解决的：

• 一开始没有任何的训练数据和标记，深度神经网络是如何被训练的呢？是不是能像上文提到的，从一堆垃圾数据里面，学到有意义的东西？
• 经历重放技术确实有效吗？
• ε-greedy exploration算法如何实现，确实有效吗？

gym的Cart Pole环境

Cart Pole在OpenAI的gym模拟器里面，是相对比较简单的一个游戏。游戏里面有一个小车，上有竖着一根杆子。小车需要左右移动来保持杆子竖直。如果杆子倾斜的角度大于15°，那么游戏结束。小车也不能移动出一个范围（中间到两边各2.4个单位长度）。如下图所示：

在gym的Cart Pole环境（env）里面，左移或者右移小车的action之后，env都会返回一个+1的reward。到达200个reward之后，游戏也会结束。

该环境的详细描述在这里。在这个链接里面大家可以看到别人的模型和玩的成绩。另外每个state和action值的含义也在这里：CartPole-v0 wiki。

下面几个词后面的代码会用到（通过变量名体现）：

• observation: 代表了对环境的观察，即环境的State
• Spaces: 包括action space，表示有哪些action，和observation space，表示有哪些state。

CNTK的DQN模型实现

针对这个游戏和DQN，我们来看看如何实现模型。下面分段讲解代码。

准备工作

import numpy as np
import math
import os
import random

import gym

import cntk as C

env = gym.make('CartPole-v0')
n_state = env.observation_space.shape[0]
n_action = env.action_space.n

print('CartPole-v0 environment: %d states, %d actions' % (n_state, n_action))

这段代码建立了CartPole-v0的环境。n_state保存了observation数组的大小，即环境用多大的数组来表示状态。n_action保存了系统中action的数目。对于Cart Pole来说，这两个值分别是4和2。

reward_target = 195
epoch_baseline = 100