【强化学习】Deep Q Network深度Q网络(DQN)
1 DQN简介
1.1 强化学习与神经网络
该强化学习方法是这么一种融合了神经网络和Q-Learning的方法,名字叫做Deep Q Network。
Q-Learning使用表格来存储每一个状态state,和在这个state每个行为action所拥有的Q值。而当今问题实在是太复杂,状态可以多到比天上的星星还多(比如下围棋)。如果全用表格来存储它们,恐怕我们的计算机有再大的内存都不够,而且每次在这么大的表格中搜索对应的状态也是一件很耗时的事。不过在机器学习中,有一种方法对这种事情很在行,那就是神经网络。我们可以将状态和动作当成神经网络的输入,然后经过神经网络的分析得到动作的Q值,这样我们就没有必要在表格中记录Q值,而是直接使用神经网络分析后得到动作的Q值,这样我们就没必要在表格中记录Q值,而是直接使用神经网络生成Q值。还有一种形式是这样,我们也只能输入状态值,输出所有的动作值,然后按照Q-Learning的原则,直接选择拥有最大值的动作当做下一步要做的动作。我们可以想象,神经网络接收外部的信息,相当于眼睛比子耳朵收集信息,然后经过大脑加工输出每种动作的值,最后通过强化学习的方式选择动作。
1.2 更新神经网络
接下来我们基于第二种神经网络来分析,我们知道,神经网络是要被训练才能预测出准确的值。那在强化学习中,神经网络是如何被训练的呢?首先,我们需要a1,a2正确的Q值,这个Q值我们就用之前在Q-Learning中的Q现实来代替。同样我们还需要一个Q估计来实现神经网络的更新。所以神经网络的参数就是老的NN参数加学习率α乘以Q现实和Q估计的差距。我们整理一下
通过NN预测出Q(s2, a1)和Q(s2,a2)的值,这就是Q估计。然后我们选取Q估计中最大值的动作来换取环境中的奖励reward。而Q现实中也包含从神经网络分析出来的两个Q估计值,不过这个Q估计是针对于下一步在s’的估计。最后再通过刚刚所说的算法更新神经网络中的参数。但是这并不是DQN会玩电脑的根本原因。还有两大因素支撑着DQN使得它变得无比强大。这两大因素就是Experience replay和Fixed Q-targets。
1.3 DQN两大利器
简单来说,DQN有一个记忆库用于学习之前的经历。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用的神经网络,预测Q估计的神经网络具备最新的参数,而预测Q现实的神经网络使用的参数则是很久以前的。有了这两种提升手段,DQN才能在一些游戏中超越人类。
2 DQN算法更新
2.1 要点
Deep Q Network 的简称叫DQN,是将Q-Learning的优势和Neual Networks结合了。如果我们使用tabular Q-Learning,对于每个state,action我们都需要存放在一张q_table的表中。如果像现实生活中,我们有千千万万个state,如果将这千万个state的值都放在表中,受限于我们计算机硬件,这样从表中获取数据,更新数据是没有效率的。这就是DQN产生的原因了。我们可以使用神经网络来估算这个state的值,这样就不需要一张表了。
2.2 算法
整个算法是在Q-Learning算法上加了一些修饰。Q-Learning算法可以点击这里回顾一下:https://blog.csdn.net/shoppingend/article/details/124291112?spm=1001.2014.3001.5501
这些装饰包括:记忆库(用于重复学习),神经网络计算Q值,暂时冻结q_target(切断相关性)
2.3 算法的代码行式
下面代码就是DQN于环境交互最重要的部分
def run_maze():step = 0 # 用来控制什么时候学习for episode in range(300):# 初始化环境observation = env.reset()while True:# 刷新环境env.render()# DQN 根据观测值选择行为action = RL.choose_action(observation)# 环境根据行为给出下一个 state, reward, 是否终止observation_, reward, done = env.step(action)# DQN 存储记忆RL.store_transition(observation, action, reward, observation_)# 控制学习起始时间和频率 (先累积一些记忆再开始学习)if (step > 200) and (step % 5 == 0):RL.learn()# 将下一个 state_ 变为 下次循环的 stateobservation = observation_# 如果终止, 就跳出循环if done:breakstep += 1 # 总步数# end of gameprint('game over')env.destroy()if __name__ == "__main__":env = Maze()RL = DeepQNetwork(env.n_actions, env.n_features,learning_rate=0.01,reward_decay=0.9,e_greedy=0.9,replace_target_iter=200, # 每 200 步替换一次 target_net 的参数memory_size=2000, # 记忆上限# output_graph=True # 是否输出 tensorboard 文件)env.after(100, run_maze)env.mainloop()RL.plot_cost() # 观看神经网络的误差曲线
3 DQN思维决策
代码主结构:
class DeepQNetwork:# 上次的内容def _build_net(self):# 这次的内容:# 初始值def __init__(self):# 存储记忆def store_transition(self, s, a, r, s_):# 选行为def choose_action(self, observation):# 学习def learn(self):# 看看学习效果 (可选)def plot_cost(self):
初始值:
class DeepQNetwork:def __init__(self,n_actions,n_features,learning_rate=0.01,reward_decay=0.9,e_greedy=0.9,replace_target_iter=300,memory_size=500,batch_size=32,e_greedy_increment=None,output_graph=False,):self.n_actions = n_actionsself.n_features = n_featuresself.lr = learning_rateself.gamma = reward_decayself.epsilon_max = e_greedy # epsilon 的最大值self.replace_target_iter = replace_target_iter # 更换 target_net 的步数self.memory_size = memory_size # 记忆上限self.batch_size = batch_size # 每次更新时从 memory 里面取多少记忆出来self.epsilon_increment = e_greedy_increment # epsilon 的增量self.epsilon = 0 if e_greedy_increment is not None else self.epsilon_max # 是否开启探索模式, 并逐步减少探索次数# 记录学习次数 (用于判断是否更换 target_net 参数)self.learn_step_counter = 0# 初始化全 0 记忆 [s, a, r, s_]self.memory = np.zeros((self.memory_size, n_features*2+2)) # 和视频中不同, 因为 pandas 运算比较慢, 这里改为直接用 numpy# 创建 [target_net, evaluate_net]self._build_net()# 替换 target net 的参数t_params = tf.get_collection('target_net_params') # 提取 target_net 的参数e_params = tf.get_collection('eval_net_params') # 提取 eval_net 的参数self.replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)] # 更新 target_net 参数self.sess = tf.Session()# 输出 tensorboard 文件if output_graph:# $ tensorboard --logdir=logstf.summary.FileWriter("logs/", self.sess.graph)self.sess.run(tf.global_variables_initializer())self.cost_his = [] # 记录所有 cost 变化, 用于最后 plot 出来观看
存储记忆,DQN的精髓部分止一:记录下所有经历过的步,这些步可以进行反复的学习,所以这是一种off-policy方法,你甚至可以自己玩,然后记录下自己玩的经历,让这个DQN学习你是如何通关的。
class DeepQNetwork:def __init__(self):...def store_transition(self, s, a, r, s_):if not hasattr(self, 'memory_counter'):self.memory_counter = 0# 记录一条 [s, a, r, s_] 记录transition = np.hstack((s, [a, r], s_))# 总 memory 大小是固定的, 如果超出总大小, 旧 memory 就被新 memory 替换index = self.memory_counter % self.memory_sizeself.memory[index, :] = transition # 替换过程self.memory_counter += 1
选行为:
class DeepQNetwork:def __init__(self):...def store_transition(self, s, a, r, s_):...def choose_action(self, observation):# 统一 observation 的 shape (1, size_of_observation)observation = observation[np.newaxis, :]if np.random.uniform() < self.epsilon:# 让 eval_net 神经网络生成所有 action 的值, 并选择值最大的 actionactions_value = self.sess.run(self.q_eval, feed_dict={self.s: observation})action = np.argmax(actions_value)else:action = np.random.randint(0, self.n_actions) # 随机选择return action
学习,这是最重要的一步,就是在Deep Q Network中,是如何学习,更新参数的。这里设计了target_net和eval_net的交互使用。
class DeepQNetwork:def __init__(self):...def store_transition(self, s, a, r, s_):...def choose_action(self, observation):...def _replace_target_params(self):...def learn(self):# 检查是否替换 target_net 参数if self.learn_step_counter % self.replace_target_iter == 0:self.sess.run(self.replace_target_op)print('\ntarget_params_replaced\n')# 从 memory 中随机抽取 batch_size 这么多记忆if self.memory_counter > self.memory_size:sample_index = np.random.choice(self.memory_size, size=self.batch_size)else:sample_index = np.random.choice(self.memory_counter, size=self.batch_size)batch_memory = self.memory[sample_index, :]# 获取 q_next (target_net 产生了 q) 和 q_eval(eval_net 产生的 q)q_next, q_eval = self.sess.run([self.q_next, self.q_eval],feed_dict={self.s_: batch_memory[:, -self.n_features:],self.s: batch_memory[:, :self.n_features]})# 下面这几步十分重要. q_next, q_eval 包含所有 action 的值,# 而我们需要的只是已经选择好的 action 的值, 其他的并不需要.# 所以我们将其他的 action 值全变成 0, 将用到的 action 误差值 反向传递回去, 作为更新凭据.# 这是我们最终要达到的样子, 比如 q_target - q_eval = [1, 0, 0] - [-1, 0, 0] = [2, 0, 0]# q_eval = [-1, 0, 0] 表示这一个记忆中有我选用过 action 0, 而 action 0 带来的 Q(s, a0) = -1, 所以其他的 Q(s, a1) = Q(s, a2) = 0.# q_target = [1, 0, 0] 表示这个记忆中的 r+gamma*maxQ(s_) = 1, 而且不管在 s_ 上我们取了哪个 action,# 我们都需要对应上 q_eval 中的 action 位置, 所以就将 1 放在了 action 0 的位置.# 下面也是为了达到上面说的目的, 不过为了更方面让程序运算, 达到目的的过程有点不同.# 是将 q_eval 全部赋值给 q_target, 这时 q_target-q_eval 全为 0,# 不过 我们再根据 batch_memory 当中的 action 这个 column 来给 q_target 中的对应的 memory-action 位置来修改赋值.# 使新的赋值为 reward + gamma * maxQ(s_), 这样 q_target-q_eval 就可以变成我们所需的样子.# 具体在下面还有一个举例说明.q_target = q_eval.copy()batch_index = np.arange(self.batch_size, dtype=np.int32)eval_act_index = batch_memory[:, self.n_features].astype(int)reward = batch_memory[:, self.n_features + 1]q_target[batch_index, eval_act_index] = reward + self.gamma * np.max(q_next, axis=1)"""假如在这个 batch 中, 我们有2个提取的记忆, 根据每个记忆可以生产3个 action 的值:q_eval =[[1, 2, 3],[4, 5, 6]]q_target = q_eval =[[1, 2, 3],[4, 5, 6]]然后根据 memory 当中的具体 action 位置来修改 q_target 对应 action 上的值:比如在:记忆 0 的 q_target 计算值是 -1, 而且我用了 action 0;记忆 1 的 q_target 计算值是 -2, 而且我用了 action 2:q_target =[[-1, 2, 3],[4, 5, -2]]所以 (q_target - q_eval) 就变成了:[[(-1)-(1), 0, 0],[0, 0, (-2)-(6)]]最后我们将这个 (q_target - q_eval) 当成误差, 反向传递会神经网络.所有为 0 的 action 值是当时没有选择的 action, 之前有选择的 action 才有不为0的值.我们只反向传递之前选择的 action 的值,"""# 训练 eval_net_, self.cost = self.sess.run([self._train_op, self.loss],feed_dict={self.s: batch_memory[:, :self.n_features],self.q_target: q_target})self.cost_his.append(self.cost) # 记录 cost 误差# 逐渐增加 epsilon, 降低行为的随机性self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_maxself.learn_step_counter += 1
为了看学习效果,我们在最后输出学习过程中的cost变化曲线。
class DeepQNetwork:def __init__(self):...def store_transition(self, s, a, r, s_):...def choose_action(self, observation):...def _replace_target_params(self):...def learn(self):...def plot_cost(self):import matplotlib.pyplot as pltplt.plot(np.arange(len(self.cost_his)), self.cost_his)plt.ylabel('Cost')plt.xlabel('training steps')plt.show()
【强化学习】Deep Q Network深度Q网络(DQN)相关推荐
- 强化学习(八) - 深度Q学习(Deep Q-learning, DQL,DQN)原理及相关实例
深度Q学习原理及相关实例 8. 深度Q学习 8.1 经验回放 8.2 目标网络 8.3 相关算法 8.4 训练算法 8.5 深度Q学习实例 8.5.1 主程序 程序注释 8.5.2 DQN模型构建程序 ...
- 深度学习(一)深度前馈网络(deep feedforward network)
深度学习(一)深度前馈网络(deep feedforward network) 深度前馈网络(deep feedforward network),也叫作 前馈神经网络(feedforward neur ...
- 强化学习(二):Q learning 算法
强化学习(一):基础知识 强化学习(二):Q learning算法 Q learning 算法是一种value-based的强化学习算法,Q是quality的缩写,Q函数 Q(state,action ...
- 深度学习(四十)——深度强化学习(3)Deep Q-learning Network(2), DQN进化史
Deep Q-learning Network(续) Nature DQN DQN最早发表于NIPS 2013,该版本的DQN,也被称为NIPS DQN.NIPS DQN除了提出DQN的基本概念之外, ...
- 【DQN】解析 DeepMind 深度强化学习 (Deep Reinforcement Learning) 技术
原文:http://www.jianshu.com/p/d347bb2ca53c 声明:感谢 Tambet Matiisen 的创作,这里只对最为核心的部分进行的翻译 Two years ago, a ...
- 深度强化学习 Deep Reinforcement Learning 学习整理
这学期的一门机器学习课程中突发奇想,既然卷积神经网络可以识别一副图片,解决分类问题,那如果用神经网络去控制'自动驾驶',在一个虚拟的环境中不停的给网络输入车周围环境的图片,让它去选择前后左右中的一个操 ...
- 【theano-windows】学习笔记十六——深度信念网络DBN
前言 前面学习了受限玻尔兹曼机(RBM)的理论和搭建方法, 如果稍微了解过的人, 肯定知道利用RBM可以堆叠构成深度信念网络(deep belief network, DBN)和深度玻尔兹曼机(dee ...
- 强化学习 - Deep RL开源项目总结
https://zhuanlan.zhihu.com/p/24392239 一. Lua 语言的程序包(运用框架:Torch 7): 1. 相关论文:Human-level control throu ...
- 深度强化学习系列: 最全深度强化学习资料
关于这项工作: 本工作是一项由深度强化学习实验室(Deep Reinforcement Learning Laboratory, DeepRL-Lab)发起的项目. 文章同步于Github仓库: ht ...
最新文章
- celery源码分析-worker初始化分析(下)
- rtop – 通过SSH监控远程主机
- 【赠书】图表示学习+图神经网络:破解AI黑盒,揭示万物奥秘的钥匙!
- java httpclient post 上传文件_httpclient通过post multipart/form-data 上传文件
- python vtk_VTK在python环境下的安装和调用
- 直接请求接口_http类型的post和get接口测试
- Mybatis 插入数据后返回自增主键ID
- 【MyBatis框架】配置文件-resultMap总结
- webservice CXF入门服务端
- 图像处理(MATLAB及FPGA)实现基础原理(持续更新)
- wordpress导入数据错误MySQL返回:#1273 – Unknown collation:’utf8mb4_unicode_ci’
- java 手势识别_【人体分析-手势识别】-Java示例代码
- p2p文件服务器,P2P文件传输
- 择一城终老,遇一人白首
- lol7月9日服务器维护,英雄联盟7月9日更新维护到几点结束_lol7月9日10.14版本更新维护结束时间介绍_咖绿茵手游站...
- linux如何永久获取root,Linux如何获取root权限?我只想到这些方法了,欢迎补充
- 计算机吉祥如意制作贺卡作业,贺卡制作教案
- SQL Sever 2012
- 理解margin-left:-100%
- 中国将在 Sailfish 基础上开发移动操作系统