DRL---------DQN详解

最新推荐文章于 2024-05-21 02:50:44 发布

weixin_42001089

最新推荐文章于 2024-05-21 02:50:44 发布

阅读量6.6k

点赞数 7

分类专栏：强化学习文章标签： DRL 强化学习神经网络

本文链接：https://blog.csdn.net/weixin_42001089/article/details/81448677

版权

强化学习专栏收录该内容

4 篇文章 0 订阅

订阅专栏

总结一下DQN.

在传统的强化学习中，例如Q_learning以及Sarsa都需要一张由状态S以及行为A组成的Q表，行为的种类一般较少，比如常见的前进后退两种或上下左右四种等，也就是Q表的列一般还好，可是状态的话就不一定了，有些场景的状态多到可怕，就比如围棋等等，也就是Q表的行数过多，导致的结果就是难以维护如此大的一张Q表。

现在假设有一个函数 f（x）

如果输入状态S就可以得到每个行为的Q值即 Q(S)= f（S）

这不就解决了吗？只要知道这个函数，就不必再去维护那张很大的Q表。

那么怎么找到这一函数模型呢？那就是神经网络了，由于这是深度学习（DL）和强化学习（RL）的结合，所以也叫作DRL，而DQN就是DRL的一种，其是神经网络和Q_learning的一种结合，当然DQN已经有了很多改进版本，先从最基本的DQN说起。

其有两个关键技术：

冻结targetNet

experience replay（经验池）

冻结targetNet就是说每隔一段时间将训练好的神经网络参数保存下来，这里实际就是定义两个完全相同的神经网络Net1和Net2，然后Net1作为实时训练的网络，里面包括loss以及optimizer，而Net2有着与Net1相同的模型结果，但没有loss以及optimizer，没隔一段时间，就将Net1中训练到目前为止的权值和偏置值保存到Net2。

experience replay它存储了带标签的一个个数据样本，然后神经网络通过随机抽样解决了相关性及非静态分布问题。训练神经网络是需要带标签的样本的，experience replay是通过将（ S , A , R , S'）（当前状态，基于当前状态采取的下一行动，采取A后的奖励值，采取A后到达的下一步状态）作为一个带标签的样本，先看一下Q_learning的更新Q表公式：

$Q(S,a)+=\alpha (R+\gamma max_{a}Q(S^{'},a')-Q(S,a))$

这里就是将 $R+\gamma max_{a'}Q(S',a')$ 作为每个样本的label，将 $max_{a}Q(S,a)$ 作为S输入后的得到的预测值。

然后loss= $E[(R+\gamma max_{a'}Q(S',a')-max_{a}Q(S,a))^{2}]$ ,只不过代码在这里实现的时候，要注意的就是常常不是真真取出行动最大的Q单独值做相加，而是矩阵相减，神经网络的输入是状态S,输出是该状态对应下的所有行为的Q值（当然也可以是这样：输入是状态和采取某一行为，输出是在该状态下采取这一某行为的Q值，这里我们仅按第一种情况说明。）

下面通过一个简单的例子说明：

假设该场景的每个状态有三种动作(a0,a1,a2对应0,1,2)可选

假设我们随机从experience replay抽取出一个batch(大小为4)为：

batch_1	s_1	a_1	r_1	s'_1
batch_2	s_2	a_2	r_2	s'_2
batch_3	s_3	a_3	r_3	s'_3
batch_4	s_4	a_4	r_4	s'_4

这里的a_1,a_2,a_3,a_4假设分别为0,1,1,2

r_1,r_2,r_3,r_4假设分别为2,2,2,2

即s_1是通过执行a0到达s'_1的，并且该步得到的奖励值为2，s_2是通过执行a1到达s'_2的并且该步得到的奖励值也为2，依次类推.................

那么将该batch的s作为输入到Net1得到输出为prediction：

	a0	a1	a2
prediction_batch_1	4	3	0
prediction_batch_2	5	6	4
prediction_batch_3	1	3	0
prediction_batch_4	0	8	9

将batch的 S' 输入到Net2得到输出为target：

	a0	a1	a2
target_batch_1	2	6	0
target_batch_2	4	2	0
target_batch_3	2	4	9
target_batch_4	3	2	5

那么先让label矩阵=prediction，然后根据a_1,a_2,a_3,a_4改变要改变的值即红色的

	a0	a1	a2
label_batch_1	4	3	0
label_batch_2	5	6	4
label_batch_3	1	3	0
label_batch_4	0	8	9

接下来（假设 $\lambda =0.9$ ）

$label_{-}batch_{-}1(a0)=r_{-}1+\lambda max_{a}target_{-}batch_{-}1=2+0.9\times 6=7.4$

$label_{-}batch_{-}2(a1)=r_{-}2+\lambda max_{a}target_{-}batch_{-}2=2+0.9\times4=5.6$

$label_{-}batch_{-}3(a1)=r_{-}3+\lambda max_{a}target_{-}batch_{-}3=2+0.9\times 9=10.1$

$label_{-}batch_{-}4(a2)=r_{-}4+\lambda max_{a}target_{-}batch_{-}4=2+0.9\times 5=6.5$

即操作后label为：

	a0	a1	a2
label_batch_1	7.4	3	0
label_batch_2	5	5.6	4
label_batch_3	1	10.1	0
label_batch_4	0	8	6.5

然后label-prediction即为：

	a0	a1	a2
label_batch_1	3.4	0	0
label_batch_2	0	-0.4	0
label_batch_3	0	7.1	0
label_batch_4	0	0	-2.5

loss就是要优化这个矩阵，例如tensorflow框架下可以通过tf.reduce_mean(tf.squared_difference(label-prediction))进行优化，以及选什么optimizer都可以属于优化问题了，这里不做讨论。

注意：

（1）通过随机抽取experience replay中几个样本作为一个batch就解决了相关性，因为状态之间原先都是有相关性的，通过随机抽取就打乱了

（2）可以规定experience replay的大小，比如100，那么这个经验池就最多存100条记录，如果再从101时，可以采取将101替换掉现在存储的第一条，依次来不断刷新经验池

（3）每隔多长时间将Net1训练好的参数保存到Net2以及每隔多长时间训练一次神经网络都是可以设定的，这些也属于优化问题了

（4）其实一开始最容易想到的不是DQN这种框架而是只有一个Net1，那么通过将S和S'都输入到Net1来得到相应的输出进行loss计算并反向传播，但是这样就容易导致数据间存在关联性，从而使训练不稳定，所以就再用一个神经网络Net2，即由原来的 $r+\gamma max_{a'}Q(S',a',\Theta )-Q(S,a,\Theta )$ 改为 $r+\gamma max_{a'}Q(S',a',{\color{Red} \Theta^{-}} )-Q(S,a,,\Theta)$

（5）Loss以及Net1更新到Net2的部分是分时间段进行一次，experience replay是实时进行的。

（6）关于为什么能用S'作为标签让S去不断逼近，这个还是要回到Q_learning 算法，可以参考Reinforcement Learning(强化学习)Sarsa/Q_learning_爱吃火锅的博客-CSDN博客_强化学习莫凡,注意里面max下脚表可能是a不是a'，但无本质区别意思都是取最大的奖励对应的动作值。

最后一个问题就是怎么根据当前状态S选取下一步的行为，以前是有Q表，现在不需要了，因为已经通过神经网络训练了Net1（这个网络就是开头说的 f(x)）,所以只需要将状态S输入到Net1中就可得到所有下一步行动的Q值，再从中挑取做大的就好了。

例如将S输入到Net1后得到：

	a0	a1	a3
S	1	2	3

那么就选a3作为下一步的行动，然后到环境中根据当前状态S和采取的下一步行动就可以得到当前奖励值r和一下步的状态S'啦，是不是很方便，当然记得要用这四个值去更新经验池，以便为训练神经网络提供样本！！！！！！！

流程图大概就是：

其中草绿色就是两个关键技术

##############################################################################################

改进DQN版本：Double DQN

改进的地方是在如下地方：

它不在选择最大的Q值，即 $max_{a}target_{-}batch_{-}1$ 作为行动值，而是将s'_1所谓Net1的输入得到输出比如输出为：

	a0	a1	a2
s'	6	2	5

那么我们就选定a0即 $label_{-}batch_{-}1(a0)=r_{-}1+\lambda target_{-}batch_{-}1(a0)=2+0.9\times2=3.8$

其他的类似,总结一下就是：

将 $r+\gamma max_{a'}Q(S',a',{\color{Red} \Theta^{-}} )-Q(S,a,,\Theta)$ 改为： $r+\gamma max_{a'}Q(S',argmax_{a}Q(S_{t+1},a,{\color{Red} {\color{Cyan} }\Theta} ),{\color{Red} \Theta^{-}} )-Q(S,a,,\Theta)$

框架为：

所以总结一下要改变的主要就是loss部分

###################################################################################################

改进DQN版本：Dueling DQN

这里是在神经网络的输出层做了文章，原来输出层是维数是：

[batch,n_actions]

下载是这样，先预算出两个：

[batch,1]和[batch,n_actions]

然后再合并两者，这里为了避免[batch,n_actions]学习最后结果为0，所以在合并的时候将[batch,n_actions]-E([batch,n_actions]),

它的主要思想就是拆分为2个，一个看作是当前状态的价值[batch,1]，另一个是采取行动所得的奖励[batch,n_actions]，最后将两者相加即可。对比原先的DQN的[batch,n_actions]这里就是多了一个[batch,1]

所以总结一下要改变的主要就是神经网络模型（输出部分）

######################################################################################################

改进DQN版本：Prioritised Replay DQN

这个是在神经网络抽取样本的时候做文章，原先是使用Sample的随机抽取方法，现在呢？是要将experience replay中的样本按重要性排一下顺序然后按重要性进行抽取，而不是随机，这里的重要性是用'Loss'来体现的，Loss越大，说明越需要学习，那么其重要性就对应的越高。

核心的东西就是在experience replay构建中加了一个TD-error其实就是loss

每个样本除了以前的参数还加上了这一个loss

构建的数据结构是Tree

这里应用：莫凡（【莫烦Python】强化学习 Reinforcement Learning_哔哩哔哩_bilibili）

假设我们设定experience replay就是8（就是叶子结点数），其中的数值就是重要等级数。

当进来一个样本的刷新的时候，就从叶子结点左到右依次更新，比如这次更新了上图中红色的这个，下次再有新的样本进来，那么就该替换绿色的啦。当然更新后因为绿色地方的重要等级变了，所以相应的紫色都得改变。

抽取的时候，这里就直接看一下莫凡给的类子吧，很好理解：

注意：这里的走法实际就是拿当前的值（比如这里一开始是24）每次在两个孩子结点中选取最大的那条路走，如果最大值对应的路是走左面那就顺着走就可以，如果是右面那么就要减去当前的左孩子节点的值，（如这里的24-13），如此以往直到直到叶子结点。

所以总结一下就是：主要要改一下experience replay中存储方式即memory，可以参考：

AI-blog/Seaquest-DDQN-PER.py at master · jaromiru/AI-blog · GitHub当中的Memory Class

其中用到的Tree结构可以参考：

AI-blog/SumTree.py at master · jaromiru/AI-blog · GitHub

还有就是learn（就是训练）中记得算abs_errors(errors的绝对值)，然后和样本一起更新到memory中。

看到很多小伙伴私信和关注，为了不迷路，欢迎大家关注笔者的微信公众号，会定期发一些关于NLP的干活总结和实践心得，当然别的方向也会发，一起学习：

weixin_42001089

关注

7
点赞
踩
43

收藏

觉得还不错? 一键收藏
2
评论
DRL---------DQN详解

总结一下DQN.在传统的强化学习中，例如Q_learning以及Sarsa都需要一张由状态S以及行为A组成的Q表，行为的种类一般较少，比如常见的前进后退两种或上下左右四种等，也就是Q表的列一般还好，可是状态的话就不一定了，有些场景的状态多到可怕，就比如围棋等等，也就是Q表的行数过多，导致的结果就是难以维护如此大的一张Q表。现在假设有一个函数 f（x）如果输入状态S就可以得到每个行为的Q...
复制链接

扫一扫