DQN
DQN是强化学习的一种强大的武器,其融合了神经网络和Q-learning的方法, 有一个记忆库用于学习经历。
Q learning 是一种 off-policy 离线学习法, 它能学习当前经历着的, 也能学习过去经历过的, 甚至是学习别人的经历. 所以每次 DQN 更新的时候, 我们都可以随机抽取一些之前的经历进行学习. 随机抽取这种做法打乱了经历之间的相关性, 也使得神经网络更新更有效率.。
Fixed Q-targets 也是一种打乱相关性的机理, 如果使用 fixed Q-targets, 我们就会在 DQN 中使用到两个结构相同但参数不同的神经网络, 用来预测估计值的神经网络具备最新的参数, 而预测现实值的神经网络使用的参数则是很久以前的。
例子
这里小编通过一个神经网络做实验的列子来更加形象的了解DQN,其中用到一个gym库用来提供实验场所
import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
import gym # 通过pip安装就行了
BATCH_SIZE = 32 # 批处理时,每次提取的数据个数,这里是图片的个数
LR = 0.01 # 学习效率
EPSILON = 0.9 # greedy policy
GAMMA = 0.9 # reward discount
TARGET_REPLACE_ITER = 100 # 标签更新频率
MEMORY_CAPACITY = 2000 # 记忆库的大小
# 加载实验场所,这里是一个竖杆子的游戏
env = gym.make('CartPole-v0')
env = env.unwrapped
#实验反馈的动作和实验场所的参数
N_ACTIONS = env.action_space.n
N_STATES = env.observation_space.shape[0]
# 确认shape
ENV_A_SHAPE = 0 if isinstance(env.action_space.sample(), int) else env.action_space.sample().shape
# 定义神经网络
class Net(nn.Module):
def __init__(self, ):
super(Net, self).__init__()
self.fc1 = nn.Linear(N_STATES, 50)
self.fc1.weight.data.normal_(0, 0.1) # 初始化
self.out = nn.Linear(50, N_ACTIONS)
self.out.weight.data.normal_(0, 0.1) # 初始化
def forward(self, x):
x = self.fc1(x)
x = F.relu(x)
actions_value = self.out(x)
return actions_value
# 定义DQN
class DQN(object):
def __init__(self):
# 建立两个神经网络eval_net中的参数是最新的,target_net中的参数是较旧的
self.eval_net, self.target_net = Net(), Net()
self.learn_step_counter = 0 # 用于target更新,用来记录到第几步
self.memory_counter = 0 # 用来记录记忆在记忆库的位置
self.memory = np.zeros((MEMORY_CAPACITY, N_STATES * 2 + 2)) # 初始化内存
self.optimizer = torch.optim.Adam(self.eval_net.parameters(), lr=LR) # 选择优化器
self.loss_func = nn.MSELoss() # 选择计算误差的工具
# 选择神经网络下一个要做的动作
def choose_action(self, x):
# 输入的观测值
x = torch.unsqueeze(torch.FloatTensor(x), 0)
#
if np.random.uniform() < EPSILON: # 选取最高价值动作
actions_value = self.eval_net.forward(x)
action = torch.max(actions_value, 1)[1].data.numpy()
action = action[0] if ENV_A_SHAPE == 0 else action.reshape(ENV_A_SHAPE) # return the argmax index
else: # 否则随机选取动作
action = np.random.randint(0, N_ACTIONS)
action = action if ENV_A_SHAPE == 0 else action.reshape(ENV_A_SHAPE)
return action
# 记忆库,用来存储记忆
def store_transition(self, s, a, r, s_):
transition = np.hstack((s, [a, r], s_))
# 当记忆超过记忆上线即2000,用新的记忆替换旧的记忆
index = self.memory_counter % MEMORY_CAPACITY
self.memory[index, :] = transition
self.memory_counter += 1
# 强化学习
def learn(self):
# 判断目标的参数更新,这里是每100步更新一次
if self.learn_step_counter % TARGET_REPLACE_ITER == 0:
# 用eval_net更新target_net的参数
self.target_net.load_state_dict(self.eval_net.state_dict())
self.learn_step_counter += 1
# 样本批次转换类型
sample_index = np.random.choice(MEMORY_CAPACITY, BATCH_SIZE) # 随机抽取
b_memory = self.memory[sample_index, :]
b_s = torch.FloatTensor(b_memory[:, :N_STATES])
b_a = torch.LongTensor(b_memory[:, N_STATES:N_STATES+1].astype(int))
b_r = torch.FloatTensor(b_memory[:, N_STATES+1:N_STATES+2])
b_s_ = torch.FloatTensor(b_memory[:, -N_STATES:])
# deep Q-learning的学习过程
q_eval = self.eval_net(b_s).gather(1, b_a) # 当初选择的动作的价值
q_next = self.target_net(b_s_).detach() # 下一个状态的价值,detach()是为了将target_net从计算图纸上分离,不让网络更新,因为target_net是在self.target_net.load_state_dict(self.eval_net.state_dict())时进行更新
q_target = b_r + GAMMA * q_next.max(1)[0].view(BATCH_SIZE, 1) # 选择下一次最大价值的动作
# 计算误差
loss = self.loss_func(q_eval, q_target)
# 梯度归零,误差反向传递,更新神经网络
self.optimizer.zero_grad()
loss.backward()
self.optimizer.step()
# 实例化
dqn = DQN()
print('\nCollecting experience...')
# 学习的过程
for i_episode in range(400):
s = env.reset() # 神经网络与环境互动得到的反馈,就是现在实验内容所处的状态
ep_r = 0
while True:
env.render() # 渲染,用于可视化
a = dqn.choose_action(s) # 根据环境的2反馈采取的行为
# 环境根据行为给的反馈,s_就是再次得到的状态,r就是环境对本次动作给予的奖励,以此判断采取的动作的正确性
s_, r, done, info = env.step(a)
# 修改奖励,这里如果不进行这几步会报错
x, x_dot, theta, theta_dot = s_
r1 = (env.x_threshold - abs(x)) / env.x_threshold - 0.8
r2 = (env.theta_threshold_radians - abs(theta)) / env.theta_threshold_radians - 0.5
r = r1 + r2
# 将数据放入记忆库
dqn.store_transition(s, a, r, s_)
ep_r += r
# if是用来制造初始记忆的当记忆库没有超过MEMORY_CAPACITY时会不对的开始新实验制造初始记忆
if dqn.memory_counter > MEMORY_CAPACITY:
dqn.learn() # 学习记忆
if done:
print('Ep: ', i_episode,
'| Ep_r: ', round(ep_r, 2))
# 这回合结束进入下一回合
if done:
break
# 将当前状态作为下一回合的初始状态
s = s_
效果
运行程序会出现下图效果,一开始杆子会左右剧烈摇晃,然后经过神经网络的逐渐学习后杆子不再剧烈摇晃,并且坚持的时间越来越长