学习笔记TF038

2019-10-17 21:38栏目:千亿平台
TAG:

Q-Learning,学习Action对应期待值(Expected Utility)。一九八五年,Watkins建议。收敛性,一九九一年,沃特kins和Dayan共同证实。学习期待价值,从脚下一步到持有继续手续,总希望获取最大价值(Q值、Value)。Action->Q函数,最好计谋,在各类state下,选用Q值最高的Action。不正视遭受模型。有限马尔科夫决策进度(马克ov Dectision Process) ,Q-Learning被注解最后得以找到最优政策。

Q-Learning指标,求解函数Q(st,at),依照当前情况意况,揣度Action期待价值。Q-Learning锻炼模型,以(状态、行为、表彰、下一状态)构成元组(st,at,rt+1,st+1)样品操练,st当前状态,at当前情景下施行action,rt+1推行Action后获得表彰,st+1下一动静,(当前场地,行动,奖励,下一气象)。特征(st,at)。学习指标(期待价值) rt+1+γ·maxaQ(st+1,a),当前Action获得Reward,加下一步可获取最大期待价值,当前处境行动表彰,加下一处境行动最大梦想价值。学习指标包蕴Q-Learning函数自身,递归求解。下一步可获最大期望价值乘γ(衰减全面discount factor),现在奖赏的就学权重。discount factor 0,模型学习不到另外今后奖赏新闻,变短视,只关心这几天补益。discount factor >= 1,算法大概不能磨灭,期待价值不断丰富未有衰减(discount),期待价值发散。discount factor日常比1稍小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习进度式子。旧Q-Learning函数Qold(st,at),向学习目的(当前收获Reward加下一步可获得最大梦想价值),按一点都不大学习速率α学习,得到新Q-Learning函数Qnew(st,at)。学习速率决定新获得样板新闻覆盖率前左右到音讯比率,日常设非常小值,保障学习进程稳固,确认保障最终收敛性。Q-Learning须求开端值Q0,比较高开头值,鼓舞模型多查究。

上学Q-Learning模型用神经网络,得到模型是评估价值互联网。用相比深的神经网络,正是DQN。谷歌DeepMind,《Nature》诗歌,《Human-level control through deep reinforcement learning》提议。DeepMind用DQN创制达到规定的标准人类行家水平玩Atari2600种类游戏Agent。

state of the art DQN Trick。第贰个Trick。DQN引进卷积层。模型通过Atari游戏录像图像驾驭情形消息并学习计谋。DQN须要领会接收图像,具备图像识别本事。卷积神经互连网,利用可领到空间协会消息卷积层抽出特征。卷积层提取图像中第一指标特征传给后层做分类、回归。DQN用卷积层做深化学习训练,依据情形图像输出决策。

第叁个Trick。Experience Replay。深度学习必要大批量样书,传统Q-Learning online update方法(逐个对新样板学习)不契合DQN。增大样品,四个epoch训练,图像每每使用。Experience Replay,储存Agent Experience样品,每一遍锻练随机收取部分样书供互连网学习。稳固形成学习职务,幸免短视只学习最新接触样品,综合屡次使用过往多量样品学习。创造储存Experience缓存buffer,积存一定量较新样品。体量满了,用新样品替换最旧样本,保证大多数样品周边可能率被抽到。不替换旧样品,训练进程被抽到概率永久比新样品高很多。每回须要演习样板,直接从buffer随机抽出一定量给DQN训练,保持样品高利用率,让模型学习到较新样品。

其多个Trick。用第二个DQN网络帮忙训练,target DQN,协助总计指标Q值,提供就学指标公式里的maxaQ(st+1,a)。多少个网络,二个制作学习指标,一个实际上演习,让Q-Learning练习指标保持安澜。深化学习 Q-Learning学习目的每一回更动,学习目的总局是模型自己输出,每趟换代模型参数会导致学习指标转移,更新往往幅度大,演练进程会特别不平静、失控,DQN练习会深陷目的Q值与估算Q值反馈循环(陷入震荡发散,难消失)。须要安静target DQN辅助网络总计目的Q值。target DQN,低频率、缓慢学习,输出指标Q值波动很小,减小练习进程影响。

第二个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with Double Q-Learning》。古板DQN高估Action Q值,高估不均匀,导致次优Action被高估超越最优Action。target DQN 担任生成指标Q值,先产生Q(st+1,a),再经过maxa选拔最大Q值。Double DQN,在主DQN上通过最大Q值采纳Action,再拿走Action在target DQN Q值。主网选拔Action,targetDQN生成Action Q值。被采用Q值,不分明总是最大,防止被高估次优Action总是超越最优Action,导致开掘不了真正最棒Action。学习指标公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a)))。

第5个Trick。Dueling DQN。Google 《Dueling Network Architectures for Deep Reinforcement Learning》。Dueling DQN,Q值函数Q(st,at)拆分,一部分静态情状处境有所价值V(st),Value;另一片段动态选取Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家计算意况Value和选用Action Advantage。Advantage,Action与别的Action比较,零均值。互连网最终,不再直接输出Action数量Q值,输出一个Value,及Action数量 Advantage值。V值分别加到各样Advantage值上,得最后结果。让DQN学习指标更刚烈,纵然当前希望价值首要由情形情状调控,Value值大,全体Advantage波动一点都不大;如若期望价值首要由Action决定,Value值小,Advantage波动大。分解让学习目标更安宁、准确,DQN对碰到意况推测本领更加强。

实现带Trick DQN。任务境况GridWorld导航类水言纟工。GridWorld包蕴一个hero,4个goal,2个fire。调整hero移动,每一次向上、下、左、右方向活动一步,多触碰goal(嘉勉值1),避开fire(奖赏值-1)。游戏目的,限度步数内得到最多分数。Agent 间接通过GridWorld图像学习决定hero移动最优政策。

创制GridWorld职分景况。载入信任库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,练习时间长,os定时积存模型文件。

创制情况内物体对象class。情形物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(牧马人GB颜色通道)、reward(表彰值)、name(名称)。

成立GridWorld情状class,伊始化方法只传入参数情状size。境况长、宽为输入size,境遇Action Space设4,开始化情形物体对象列表。self.reset()方法重新初始化情况,获得伊始observation(GridWorld图像),plt.imshow显示observation。

概念意况reset方法。创建全体GridWorld物体,1个hero(客商调整指标)、4个goal(reward 1)、2个fire(reward -1),增多到实体对象列表self.objects。self.newPosition()创建物体地方,随机采用未有被挤占新任务。物有物体size、intensity 1,hero channel 2(杏黄),goal channel 1(黄铜色),fire channel 0(威尼斯绿)。self.renderEnv()绘制GridWorld图像,state。

兑现移动英雄剧中人物方法,传入值0、1、2、3多少个数字,分别表示上、下、左、右。函数根据输入操作铁汉移动。假如运动该方向会促成铁汉出界,不会开展其余活动。

概念newPosition方法,采用二个跟现成物体不冲突地方。itertools.product方法得到几个变量全部结成,创造境况size允许具有地点集结points,获取近期持有物体地方会集currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机抽出三个可用地方重返。

定义checkGoal函数。检查hero是还是不是触碰goal、fire。从objects获取hero,其余物体对象放置others列表。编历others列表,假设物体和坐标与hero完全一致,剖断触碰。根据触碰物体销毁,self.newPosition()方法在率性地方再次生成物体,重回物体reward值(goal 1,fire -1)。

成立长宛size+2、颜色通道数 3 图片。初阶值全1,代表全白灰。最外面内部像素颜色值全体赋0,代表水晶色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原本大小resize 84x84x3尺寸,符合规律游玩图像尺寸。

概念GridWorld意况举办一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检验hero是或不是触碰物体,获得reward、done标志。self.renderEnv获取碰着图像state,重回state、reward、done。

调用gameEnv类初叶化方法,设置size 5,成立5x5大小GridWorld蒙受,每一遍成立GridWorld情状随机生成。小尺寸情形相对容易学习,大尺寸较难,练习时间更加长。

规划DQN(Deep Q-Network)互联网。使用卷积层,可以直接从情状原始像素学习计谋。输入scalarInput,扁平化长为84x84x3=21168向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d成立第四个卷积层,卷积核尺寸8x8,步长4x4,输出通道数(filter数量)32,padding模型VALID,bias伊始化器空。用4x4大幅和VALID模型padding,第1层卷积输出维度20x20x32。第2层卷积尺寸4x4,步长2x2,输出通道数64,输出维度9x9x64。第3层卷积尺寸3x3,步长1x1,输出通道数64,输出维度7x7x64。第4层卷积尺寸7x7,步长1x1,输出通道数512,空间尺寸只同意在二个岗位卷积,,输出维度1x1x512。

tf.split(),第一个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling DQN Advantage Function(Action带来的市场总值)和Value Function(意况本人价值)。tf.split函数第2参数代表要拆分成几段。第3参数代表要拆分多少个维度。tf.contrib.layers.flatten将streamAC和streamVC转遍平的steamA和steamV。创制streamA和streamV线性全连接层参数AW和VW。tf.random_normal开首化权重,tf.matmul做全连接层矩阵乘法,获得self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对情况统一的,输出数量 1。Q值由Value、advantage复合成,Value加上减弱均值Advantage。Advantage减去均值操作 tf.subtract,均值总括tf.reduce_mean函数(reduce_indices 1,代表Action数量维度)。最终输出Action,Q值最大Action,tf.argmax。

概念Double DQN目的Q值targetQ输入placeholder,Agent动作actions输入placeholder。总计指标Q值,action由主DQN采取,Q值由帮助target DQN生成。总括预测Q值,scalar形式actions转onehot编码格局,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout和actions都来源于主DQN)。

定义loss,tf.square、tf.reduce_mean总括targetQ和Q均方抽样误差,学习速率1e-4 艾达m优化器优化预测Q值和对象Q值偏差。

实现Experience Replay策略。定义experience_buffer class。开端化定义buffer_size存款和储蓄样板最大体积,创造buffer列表。定义向经buffer添美成分方法。假若胜过buffer最大体量,清空最初样品,列表末尾增添新成分。定义样品抽样格局,用random.sample()函数随机抽出一定数额样品。

概念84x84x3 states扁平化 1维向量函数processState,方便前面堆集样本。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class self.updateModel方法立异模型参数)。输入变量tfVars,TensorFlow Graph全部参数。tau,target DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前四分之二参数,主DQN模型参数。再令帮忙targetDQN参数朝向主DQN参数前进极小比例(tau,0.001),target DQN缓慢学习主DQN。演习时,目的Q值不能够在四遍迭代间波动太大,训练非常不平稳、失控,陷入目的Q值和预测Q值反馈循环。供给稳定目的Q值练习互联网,缓慢学习target DQN网络出口指标Q值,主互联网优化目的Q值和预测Q值间loss,target DQN跟随主DQN缓慢学习。函数updateTargetGraph创设立异target DQN模型参数操作,函数updateTarget推行操作。

DQN网络操练进度参数。batch_size,每一遍从experience buffer获取样本数,32。更新频率update_freq,每间距多少step施行一遍模型参数更新,4。Q值衰减周到(discount factor)γ,0.99。startE初步实行随机Action几率。endE最后施行随机Action概率。anneling_steps从上马随机可能率降至最后随机概率所需步数。num_episodes总共多少次GridWorld意况试验。pre_train_steps正式用DQN选择Action前开展多少步随机Action测量检验。max_epLength各种episode实行多少步Action。load_model是或不是读取此前练习模型。path模型积存路线。h_size是DQN互连网最后全连接层隐含节点数。tau是target DQN向主DQN学习速率。

Qnetwork类伊始化mainQN和协理targetQN。伊始化全部模型参数。trainables获取具备可训练参数。updateTargetGraph创立创新target DQN模型参数操作。

experience_buffer成立experience replay class,设置当前随机Action可能率e,总计e每一步衰减值stepDrop。伊始化积攒各个episode的reward列表rList,总步数total_steps。创造模型练习保存器(Saver)检查保存目录是不是留存。

创制暗许Session,如若load_model标识True,检查模型文件路线checkpoint,读取载入已封存模型。实施参数初阶化操作,试行更新targetQN模型参数操作。创制GridWorld试验循环,创造种种episode内部experience_buffer,内部buffer不参与当前迭代操练,演习只利用在此以前episode样品。初步化景况得第叁个遭受音讯s,processState()函数扁平化。早先化私下认可done标识d、episode内总reward值rAll、episode内步数j。

开创内层循环,每一趟迭代实行Action。总步数稍低于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧过程。达到pre_train_steps,保留极小可能率随机挑选Action。不随机接纳Action,传入当前状态s给主DQN,预测获得相应推行Action。env.step()试行一步Action,获得接下来事态s1、reward、done标志。processState对s1扁平化管理,s、a、r、s1、d传入episodeBuffer存款和储蓄。

总步数当先pre_train_steps,持续下跌随机选用Action可能率e,直到最低值endE。每当总步数到达update_freq整数部,进行二回练习,模型参数更新。从myBuffer中sample出七个batch_size样品。演习样板第3列信息,下一场馆s1,传入mainQN,实施main.predict,获得主模型采纳Action。s1传到扶植targetQN,得到s1状态下具有Action的Q值。mainQN输出Action ,选择targetQN输出Q,得到doubleQ。多个DQN互联网把挑选Action和输出Q值多个操作分隔断,Double DQN。演习样品第2列信息,当前reward,加doubleQ乘以衰减全面γ,获得学习目的targetQ。传入当前状态s,学习目标targetQ和骨子里运用Action,施行updateTarget函数,推行targetQN模型参数更新(缓慢向mainQN学习)。完整完结二遍训练进度。各种step甘休,累计当前那步获取reward,更新当前气象为下一步试验做图谋。假设done标识为True,直接中断episode试验。

episode内部episodeBuffer加多到myBuffer,作现在训练抽样数据集。当前episode reward加多到rList。每22个episode体现平均reward值。每一千个episode或任何演练完结,保存当前模型。

先导200个episode内,完全随机Action的前一千0步内,平均能够赢得reward在2相邻,基础baseline。

教练最终episode输出,平均reward 22,非常的大提高。

计算每玖十四个episode平均reward,plt.plot呈现reward变化趋势。从第1000个episode开端,reward快捷提高,到第陆仟个episode基本达到顶峰,前边进去平台期,升高非常小。

    import numpy as np
    import random
    import tensorflow as tf
    import os
    %matplotlib inline
    from gridworld import gameEnv
    env = gameEnv(size=5)
    class Qnetwork():
        def __init__(self,h_size):
            #The network recieves a frame from the game, flattened into an array.
            #It then resizes it and processes it through four convolutional layers.
            self.scalarInput =  tf.placeholder(shape=[None,21168],dtype=tf.float32)
            self.imageIn = tf.reshape(self.scalarInput,shape=[-1,84,84,3])
            self.conv1 = tf.contrib.layers.convolution2d( 
                inputs=self.imageIn,num_outputs=32,kernel_size=[8,8],stride=[4,4],padding='VALID', biases_initializer=None)
            self.conv2 = tf.contrib.layers.convolution2d( 
                inputs=self.conv1,num_outputs=64,kernel_size=[4,4],stride=[2,2],padding='VALID', biases_initializer=None)
            self.conv3 = tf.contrib.layers.convolution2d( 
                inputs=self.conv2,num_outputs=64,kernel_size=[3,3],stride=[1,1],padding='VALID', biases_initializer=None)
            self.conv4 = tf.contrib.layers.convolution2d( 
                inputs=self.conv3,num_outputs=512,kernel_size=[7,7],stride=[1,1],padding='VALID', biases_initializer=None)

            #We take the output from the final convolutional layer and split it into separate advantage and value streams.
            self.streamAC,self.streamVC = tf.split(self.conv4,2,3)
            self.streamA = tf.contrib.layers.flatten(self.streamAC)
            self.streamV = tf.contrib.layers.flatten(self.streamVC)
            self.AW = tf.Variable(tf.random_normal([h_size//2,env.actions]))
            self.VW = tf.Variable(tf.random_normal([h_size//2,1]))
            self.Advantage = tf.matmul(self.streamA,self.AW)
            self.Value = tf.matmul(self.streamV,self.VW)

            #Then combine them together to get our final Q-values.
            self.Qout = self.Value + tf.subtract(self.Advantage,tf.reduce_mean(self.Advantage,reduction_indices=1,keep_dims=True))
            self.predict = tf.argmax(self.Qout,1)

            #Below we obtain the loss by taking the sum of squares difference between the target and prediction Q values.
            self.targetQ = tf.placeholder(shape=[None],dtype=tf.float32)
            self.actions = tf.placeholder(shape=[None],dtype=tf.int32)
            self.actions_onehot = tf.one_hot(self.actions,env.actions,dtype=tf.float32)

            self.Q = tf.reduce_sum(tf.multiply(self.Qout, self.actions_onehot), reduction_indices=1)

            self.td_error = tf.square(self.targetQ - self.Q)
            self.loss = tf.reduce_mean(self.td_error)
            self.trainer = tf.train.AdamOptimizer(learning_rate=0.0001)
            self.updateModel = self.trainer.minimize(self.loss)

    class experience_buffer():
        def __init__(self, buffer_size = 50000):
            self.buffer = []
            self.buffer_size = buffer_size

        def add(self,experience):
            if len(self.buffer) + len(experience) >= self.buffer_size:
                self.buffer[0:(len(experience)+len(self.buffer))-self.buffer_size] = []
            self.buffer.extend(experience)

        def sample(self,size):
            return np.reshape(np.array(random.sample(self.buffer,size)),[size,5])

    def processState(states):
        return np.reshape(states,[21168])

    def updateTargetGraph(tfVars,tau):
        total_vars = len(tfVars)
        op_holder = []
        for idx,var in enumerate(tfVars[0:total_vars//2]):
            op_holder.append(tfVars[idx+total_vars//2].assign((var.value()*tau) + ((1-tau)*tfVars[idx+total_vars//2].value())))
        return op_holder
    def updateTarget(op_holder,sess):
        for op in op_holder:
            sess.run(op)
    batch_size = 32 #How many experiences to use for each training step.
    update_freq = 4 #How often to perform a training step.
    y = .99 #Discount factor on the target Q-values
    startE = 1 #Starting chance of random action
    endE = 0.1 #Final chance of random action
    anneling_steps = 10000. #How many steps of training to reduce startE to endE.
    num_episodes = 10000#How many episodes of game environment to train network with.
    pre_train_steps = 10000 #How many steps of random actions before training begins.
    max_epLength = 50 #The max allowed length of our episode.
    load_model = False #Whether to load a saved model.
    path = "./dqn" #The path to save our model to.
    h_size = 512 #The size of the final convolutional layer before splitting it into Advantage and Value streams.
    tau = 0.001 #Rate to update target network toward primary network
    tf.reset_default_graph()
    mainQN = Qnetwork(h_size)
    targetQN = Qnetwork(h_size)
    init = tf.global_variables_initializer()
    trainables = tf.trainable_variables()
    targetOps = updateTargetGraph(trainables,tau)
    myBuffer = experience_buffer()
    #Set the rate of random action decrease. 
    e = startE
    stepDrop = (startE - endE)/anneling_steps
    #create lists to contain total rewards and steps per episode
    rList = []
    total_steps = 0
    #Make a path for our model to be saved in.
    saver = tf.train.Saver()
    if not os.path.exists(path):
        os.makedirs(path)
    #%%
    with tf.Session() as sess:
        if load_model == True:
            print('Loading Model...')
            ckpt = tf.train.get_checkpoint_state(path)
            saver.restore(sess,ckpt.model_checkpoint_path)
        sess.run(init)
        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
        for i in range(num_episodes+1):
            episodeBuffer = experience_buffer()
            #Reset environment and get first new observation
            s = env.reset()
            s = processState(s)
            d = False
            rAll = 0
            j = 0
            #The Q-Network
            while j < max_epLength: #If the agent takes longer than 200 moves to reach either of the blocks, end the trial.
                j+=1
                #Choose an action by greedily (with e chance of random action) from the Q-network
                if np.random.rand(1) < e or total_steps < pre_train_steps:
                    a = np.random.randint(0,4)
                else:
                    a = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:[s]})[0]
                s1,r,d = env.step(a)
                s1 = processState(s1)
                total_steps += 1
                episodeBuffer.add(np.reshape(np.array([s,a,r,s1,d]),[1,5])) #Save the experience to our episode buffer.

                if total_steps > pre_train_steps:
                    if e > endE:
                        e -= stepDrop

                    if total_steps % (update_freq) == 0:
                        trainBatch = myBuffer.sample(batch_size) #Get a random batch of experiences.
                        #Below we perform the Double-DQN update to the target Q-values
                        A = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,3])})
                        Q = sess.run(targetQN.Qout,feed_dict={targetQN.scalarInput:np.vstack(trainBatch[:,3])})
                        doubleQ = Q[range(batch_size),A]
                        targetQ = trainBatch[:,2] + y*doubleQ
                        #Update the network with our target values.
                        _ = sess.run(mainQN.updateModel, 
                            feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,0]),mainQN.targetQ:targetQ, mainQN.actions:trainBatch[:,1]})

                        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
                rAll += r
                s = s1

                if d == True:
                    break

            #Get all experiences from this episode and discount their rewards.
            myBuffer.add(episodeBuffer.buffer)
            rList.append(rAll)
            #Periodically save the model.
            if i>0 and i % 25 == 0:
                print('episode',i,', average reward of last 25 episode',np.mean(rList[-25:]))
            if i>0 and i % 1000 == 0:
                saver.save(sess,path+'/model-'+str(i)+'.cptk')
                print("Saved Model")            
        saver.save(sess,path+'/model-'+str(i)+'.cptk')
    #%%
    rMat = np.resize(np.array(rList),[len(rList)//100,100])
    rMean = np.average(rMat,1)
    plt.plot(rMean)

 

仿效资料:
《TensorFlow实战》

迎接付费咨询(150元每时辰),笔者的微信:qingxingfengzi

版权声明:本文由千亿游戏官网发布于千亿平台,转载请注明出处:学习笔记TF038