从PyTorch官方的一篇教程说开去（4 - Q-table来源及解决问题实例）

本文链接：https://blog.csdn.net/jomoly/article/details/140621521

偷个懒，代码来自比很久之前看的书，当时还在用gym，我做了微调以升级到gymnasium当前版本，确保可以正常演示。如果小伙伴或者原作者看到了麻烦提一下，我好备注一下出处。

您的进步和反馈是我最大的动力，小伙伴来个三连呗！共勉。

不知道大家和人工智能的缘分起点在哪里呢？

犹记得当年的控制与系统课，教授带着口音，讲的兴趣盎然，我却听得云里雾里，主要是不知道传递函数这玩意除了算弹簧摆还能干点啥（还没学模电）。恰好隔壁寝室的兄弟好钻研，顺手推荐了这个小游戏给我，于是在略显简陋的面板上摆弄“神经元”做一些小任务，玩得津津有味。当时神经网络这些也是前沿，但实在不算是什么显学，也就一笑而过。如今故友多年未见，虽彼此过的也都还好，总有一些瞬间会让人颇为想念。这里也分享给大家 -

Bug Brain Home Page

深度学习，乃至目前的LLM，核心都是（矩阵化了的）神经元。这样一个一个毫不出奇的彼此连结着的存着简单数字的小格子，却能一起完成很多本来需要人工操作的项目，这本身就是一件颇为神异的事情！

本例的情景是，当机器面对着下面这个对人类来说颇为简单的小游戏，它那脑子里都有点啥呢？

答案是，一堆格子（本例是16行4列），如下图 -

呃，怎么把图形和格子对应起来呢？我们先把图形转换成一个表格 -

每个状态（方块）允许四种可能的操作：左移、右移、上移、下移。"0"代表不可能的移动（比如你在左上角，你就不可能向左移动或者向上移动！）现在有4x16=64个格子，当我们设计某种算法，让格子里面的分数，代表对应格子对应走法的最大奖励，我们就获得了这样一个Q-table。通过训练，我们可以确保整个Q-table足够好的匹配当前地图。

话不多说，上代码（详细注释） - 以下是创建并训练合适的Q-table：

import numpy as np
import gymnasium as gym
import random

env = gym.make("FrozenLake-v1")

action_size = env.action_space.n
state_size = env.observation_space.n

qtable = np.zeros((state_size, action_size))

total_episodes = 20000       # Total episodes
learning_rate = 0.7          # Learning rate
max_steps = 99               # Max steps per episode
gamma = 0.95                 # Discounting rate

epsilon = 1.0                 # Exploration rate
max_epsilon = 1.0             # Exploration probability at start
min_epsilon = 0.01            # Minimum exploration probability 
decay_rate = 0.005            # Exponential decay rate for exploration prob

rewards = []

for episode in range(total_episodes):
    # Reset the environment
    state = env.reset()[0]
    step = 0
    done = False
    total_rewards = 0
    
    for step in range(max_steps):
        # 3. Choose an action a in the current world state (s)
        exp_exp_tradeoff = random.uniform(0, 1)
        
        if exp_exp_tradeoff > epsilon:
            action = np.argmax(qtable[state,:])
        else:
            action = env.action_space.sample()            
        
        new_state, reward, done, info , _ = env.step(action)
        qtable[state, action] = qtable[state, action] + learning_rate * (reward + gamma * np.max(qtable[new_state, :]) - qtable[state, action])
        
        total_rewards += reward       
        state = new_state
        if done == True: 
            break
        
    epsilon = min_epsilon + (max_epsilon - min_epsilon)*np.exp(-decay_rate*episode) 
    rewards.append(total_rewards)
    
print ("Score over time: " +  str(sum(rewards)/total_episodes))
print(qtable)

接下来是用训练好的Q-table来指导程序自行玩通关游戏 -

env = gym.make("FrozenLake-v1",render_mode="human")
num_eval_episodes=10

for episode in range(num_eval_episodes):
    state = env.reset()[0]
    step = 0
    done = False
    print("****************************************************")
    print("EPISODE ", episode)

    for step in range(max_steps):
        
        action = np.argmax(qtable[state,:])
        
        new_state, reward, done, info, _ = env.step(action)
        
        if done:
            env.render()
            if new_state == 15:
                print("We reached our Goal 🏆")
            else:
                print("We fell into a hole ☠️")
            
            print("Number of steps", step)
            
            break
        state = new_state
env.close()

因为脑容量很小，所以训练只需几秒完成，效果还不错，2000次的训练可以确保60%以上的通关率，20000次的训练就超过80% 。小伙伴可以自行尝试哈。