为了账号安全,请及时绑定邮箱和手机立即绑定

用一个小游戏入门深度强化学习

2018.10.04 10:57 3703浏览

今天我们来用深度强化学习算法 deep Q-learning 玩 CartPole 游戏。

强化学习是机器学习的一个重要分支,通过强化学习我们可以创建一个 agent,让它与环境不断地互动,不断试错,自主地从中学习到知识,进而做出决策。

如图所示,agent 收到环境的状态 state,做出行动 action,行动后会得到一个反馈,反馈包括奖励 reward 和环境的下一个状态 next_state
这样一轮操作下来,agent 便可以积累经验,并且从中训练,学习该如何根据 state 选择合适的 action 来获得较好的 reward 以获得游戏的最终胜利。

推荐阅读:一文了解强化学习


在强化学习中有一个著名算法 Q-learning

推荐阅读:什么是 Q-learning

2013 年,Google DeepMind 发表了论文 Playing Atari with Deep Reinforcement Learning,开辟了一个新的领域,深度学习和强化学习的结合,即深度强化学习。 其中介绍了 Deep Q Network,这个深度强化学习网络可以让 agent 仅仅通过观察屏幕就能学会玩游戏,不需要知道关于这个游戏的任何信息。

在 Q-Learning 算法中,是通过一个 Q 函数,来估计对一个状态采取一个行动后所能得到的奖励 Q(s,a),
在 Deep Q Network 中,是用一个神经网络来估计这个奖励。


接下来我们用一个很简单的游戏来看 Deep Q Network 是如何应用的。

CartPole 这个游戏的目标是要使小车上面的杆保持平衡

state 包含四个信息:小车的位置,车速,杆的角度,杆尖端的速度
agent 的行动 action 包括两种:向左推车,向右推车

  • 在每轮游戏开始时,环境有一个初始的状态,
  • agent 根据状态采取一个行动 action = agent.act(state)
  • 这个 action 使得游戏进入下一个状态 next_state,并且拿到了奖励 reward,next_state, reward, done, _ = env.step(action)
  • 然后 agent 会将之前的经验记录下来 agent.remember(state, action, reward, next_state, done)
  • 当经验积累到一定程度后,agent 就从经验中学习改进 agent.replay(batch_size)
  • 如果游戏结束了就打印一下所得分数,
    没有结束就更新一下状态后继续游戏 state = next_state

if __name__ == "__main__":
	
	# 初始化 gym 环境和 agent
    env = gym.make('CartPole-v1')
    state_size = env.observation_space.shape[0]
    action_size = env.action_space.n
    agent = DQNAgent(state_size, action_size)
    
    done = False
    batch_size = 32

	# 开始迭代游戏
    for e in range(EPISODES):
    
    	# 每次游戏开始时都重新设置一下状态
        state = env.reset()
        state = np.reshape(state, [1, state_size])
        
        # time 代表游戏的每一帧,
        # 每成功保持杆平衡一次得分就加 1,最高到 500 分,
        # 目标是希望分数越高越好
        for time in range(500):
            # 每一帧时,agent 根据 state 选择 action
            action = agent.act(state)
            # 这个 action 使得游戏进入下一个状态 next_state,并且拿到了奖励 reward
            # 如果杆依旧平衡则 reward 为 1,游戏结束则为 -10
            next_state, reward, done, _ = env.step(action)
            reward = reward if not done else -10
            next_state = np.reshape(next_state, [1, state_size])
            
            # 记忆之前的信息:state, action, reward, and done
            agent.remember(state, action, reward, next_state, done)
            
            # 更新下一帧的所在状态
            state = next_state

			# 如果杆倒了,则游戏结束,打印分数
            if done:
                print("episode: {}/{}, score: {}, e: {:.2}"
                      .format(e, EPISODES, time, agent.epsilon))
                break
            
            # 用之前的经验训练 agent   
            if len(agent.memory) > batch_size:
                agent.replay(batch_size)

接下来具体看每个部分:

1. agent 的网络用一个很简单的结构为例:

在输入层有 4 个节点,用来接收 state 的 4 个信息:小车的位置,车速,杆的角度,杆尖端的速度,
输出层有 2 个节点,因为 action 有 0,1 两个值:向左推车,向右推车,就对应着两个行为的奖励值。

    def _build_model(self):
        model = Sequential()
        model.add(Dense(24, input_dim=self.state_size, activation='relu'))
        model.add(Dense(24, activation='relu'))
        model.add(Dense(self.action_size, activation='linear'))
        model.compile(loss='mse',
                      optimizer=Adam(lr=self.learning_rate))
        return model

2. 需要定义一个损失函数来表示预测的 reward 和实际得到的奖励值的差距,这里用 mse,

例如,杆现在向右倾斜,这时如果向右推小车,那么杆就可能继续保持平衡,游戏的分数就可以更高一些,也就是说向右推车比向左推车拿到的奖励要大,不过模型却预测成了向左推奖励大,这样就造成了差距,我们需要让差距尽量最小。

3. Agent 如何决定采取什么 action

游戏开始时为了让 agent 尽量多尝试各种情况,会以一定的几率 epsilon 随机地选择 action,
之后它不再随机选择,开始根据当前状态预测 reward,然后用 np.argmax() 选择能最大化奖励的 action,
例如 act_values[0] = [0.67, 0.2] 表示 aciton 为 0 和 1 时的 reward,这个的最大值的索引为 0.

    def act(self, state):
        if np.random.rand() <= self.epsilon:
            return random.randrange(self.action_size)
        act_values = self.model.predict(state)
        return np.argmax(act_values[0])  # returns action

4. 通过 Gym,agent 可以很轻松地就能与环境互动:

next_state, reward, done, info = env.step(action)

env 代表游戏环境,action 为 0 或 1,将 action 传递给环境后,返回: done 表示游戏是否结束,next_state 和 reward 用来训练 agent。

DQN 的特别之处在于 remember 和 replay 方法,

5. remember()

DQN 的一个挑战是,上面搭建的这个神经网络结构是会遗忘之前的经验的,因为它会不断用新的经验来覆盖掉之前的。
所以我们需要一个列表来存储之前的经验,以备后面对模型训练时使用,
这个存储经验的列表叫做 memory,

memory = [(state, action, reward, next_state, done)...]

存储的动作由 remember() 函数来完成,即将 state, action, reward, next state 附加到 memory 中。

def remember(self, state, action, reward, next_state, done):
    self.memory.append((state, action, reward, next_state, done))

**6. replay() **

replay() 是用 memory 来训练神经网络的方法。

  • 首先从 memory 中取样,从中随机选取 batch_size 个数据:

minibatch = random.sample(self.memory, batch_size)

  • 为了让 agent 能有长期的良好表现,我们不仅仅要考虑即时奖励,还要考虑未来奖励,即需要折扣率 gamma,

具体讲就是我们先采取了行动 a,然后得到了奖励 r,并且到达了一个新的状态 next s,
根据这组结果,我们计算最大的目标值 np.amax()
然后乘以一个 discount 率 gamma,将未来的奖励折算到当下,
最后我们将当前的奖励和折算后的未来奖励相加得到目标奖励值:

target = reward + gamma * np.amax(model.predict(next_state))

  • target_f 为前面建立的神经网络的输出,也就是损失函数里的 Q(s,a)

  • 然后模型通过 fit() 方法学习输入输出数据对,

model.fit(state, reward_value, epochs=1, verbose=0)

    def replay(self, batch_size):
        minibatch = random.sample(self.memory, batch_size)
        
        for state, action, reward, next_state, done in minibatch:
            target = reward
            
            if not done:
                target = (reward + self.gamma *
                          np.amax(self.model.predict(next_state)[0]))
            
            target_f = self.model.predict(state)
            target_f[0][action] = target
            
            self.model.fit(state, target_f, epochs=1, verbose=0)
        
        if self.epsilon > self.epsilon_min:
            self.epsilon *= self.epsilon_decay

完整代码如下:

# -*- coding: utf-8 -*-
import random
import gym
import numpy as np
from collections import deque
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam

EPISODES = 1000								# 让 agent 玩游戏的次数

class DQNAgent:
    def __init__(self, state_size, action_size):
        self.state_size = state_size
        self.action_size = action_size
        self.memory = deque(maxlen=2000)
        self.gamma = 0.95    				# 计算未来奖励时的折算率
        self.epsilon = 1.0  				# agent 最初探索环境时选择 action 的探索率
        self.epsilon_min = 0.01				# agent 控制随机探索的阈值
        self.epsilon_decay = 0.995			# 随着 agent 玩游戏越来越好,降低探索率
        self.learning_rate = 0.001
        self.model = self._build_model()

    def _build_model(self):
        model = Sequential()
        model.add(Dense(24, input_dim=self.state_size, activation='relu'))
        model.add(Dense(24, activation='relu'))
        model.add(Dense(self.action_size, activation='linear'))
        model.compile(loss='mse',
                      optimizer=Adam(lr=self.learning_rate))
        return model

    def remember(self, state, action, reward, next_state, done):
        self.memory.append((state, action, reward, next_state, done))

    def act(self, state):
        if np.random.rand() <= self.epsilon:
            return random.randrange(self.action_size)
        act_values = self.model.predict(state)
        return np.argmax(act_values[0])  

    def replay(self, batch_size):
        minibatch = random.sample(self.memory, batch_size)
        for state, action, reward, next_state, done in minibatch:
            target = reward
            if not done:
                target = (reward + self.gamma *
                          np.amax(self.model.predict(next_state)[0]))
            target_f = self.model.predict(state)
            target_f[0][action] = target
            self.model.fit(state, target_f, epochs=1, verbose=0)
        if self.epsilon > self.epsilon_min:
            self.epsilon *= self.epsilon_decay
            
            
if __name__ == "__main__":
	
	# 初始化 gym 环境和 agent
    env = gym.make('CartPole-v1')
    state_size = env.observation_space.shape[0]
    action_size = env.action_space.n
    agent = DQNAgent(state_size, action_size)
    
    done = False
    batch_size = 32

	# 开始迭代游戏
    for e in range(EPISODES):
    
    	# 每次游戏开始时都重新设置一下状态
        state = env.reset()
        state = np.reshape(state, [1, state_size])
        
        # time 代表游戏的每一帧,
        # 每成功保持杆平衡一次得分就加 1,最高到 500 分,
        # 目标是希望分数越高越好
        for time in range(500):
            # 每一帧时,agent 根据 state 选择 action
            action = agent.act(state)
            # 这个 action 使得游戏进入下一个状态 next_state,并且拿到了奖励 reward
            # 如果杆依旧平衡则 reward 为 1,游戏结束则为 -10
            next_state, reward, done, _ = env.step(action)
            reward = reward if not done else -10
            next_state = np.reshape(next_state, [1, state_size])
            
            # 记忆之前的信息:state, action, reward, and done
            agent.remember(state, action, reward, next_state, done)
            
            # 更新下一帧的所在状态
            state = next_state

			# 如果杆倒了,则游戏结束,打印分数
            if done:
                print("episode: {}/{}, score: {}, e: {:.2}"
                      .format(e, EPISODES, time, agent.epsilon))
                break
            
            # 用之前的经验训练 agent   
            if len(agent.memory) > batch_size:
                agent.replay(batch_size)

点击查看更多内容

本文首次发布于慕课网 ,转载请注明出处,谢谢合作

8人点赞

若觉得本文不错,就分享一下吧!

评论

相关文章推荐

正在加载中
意见反馈 邀请有奖 帮助中心 APP下载
官方微信

举报

0/150
提交
取消