1 # -*- coding: UTF-8 -*-
 2
 3 """
 4 Policy Gradient 算法（REINFORCE）。做决策的部分，相当于机器人的大脑
 5 """
 6
 7 import numpy as np
 8 import tensorflow as tf
 9
10 try:
11     xrange = xrange  # Python 2
12 except:
13     xrange = range   # Python 3
14
15
16 # 策略梯度 类
17 class PolicyGradient:
18     def __init__(self,
19                  lr,      # 学习速率
20                  s_size,  # state/observation 的特征数目
21                  a_size,  # action 的数目
22                  h_size,  # hidden layer（隐藏层）神经元数目
23                  discount_factor=0.99  # 折扣因子
24     ):
25         self.gamma = discount_factor  # Reward 递减率
26
27         # 神经网络的前向传播部分。大脑根据 state 来选 action
28         self.state_in = tf.placeholder(shape=[None, s_size], dtype=tf.float32)
29
30         # 第一层全连接层
31         hidden = tf.layers.dense(self.state_in, h_size, activation=tf.nn.relu)
32
33         # 第二层全连接层，用 Softmax 来算概率
34         self.output = tf.layers.dense(hidden, a_size, activation=tf.nn.softmax)
35
36         # 直接选择概率最大的那个 action
37         self.chosen_action = tf.argmax(self.output, 1)
38
39         # 下面主要是负责训练的一些过程
40         # 我们给神经网络传递 reward 和 action，为了计算 loss
41         # 再用 loss 来调节神经网络的参数
42         self.reward_holder = tf.placeholder(shape=[None], dtype=tf.float32)
43         self.action_holder = tf.placeholder(shape=[None], dtype=tf.int32)
44
45         self.indexes = tf.range(0, tf.shape(self.output)[0]) * tf.shape(self.output)[1] + self.action_holder
46         self.outputs = tf.gather(tf.reshape(self.output, [-1]), self.indexes)
47
48         # 计算 loss（和平时说的 loss 不一样）有一个负号
49         # 因为 TensorFlow 自带的梯度下降只能 minimize（最小化）loss
50         # 而 Policy Gradient 里面是要让这个所谓的 loss 最大化
51         # 因此需要反一下。对负的去让它最小化，就是让它正向最大化
52         self.loss = -tf.reduce_mean(tf.log(self.outputs) * self.reward_holder)
53
54         # 得到可被训练的变量
55         train_vars = tf.trainable_variables()
56
57         self.gradient_holders = []
58
59         for index, var in enumerate(train_vars):
60             placeholder = tf.placeholder(tf.float32, name=str(index) + '_holder')
61             self.gradient_holders.append(placeholder)
62
63         # 对 loss 以 train_vars 来计算梯度
64         self.gradients = tf.gradients(self.loss, train_vars)
65
66         optimizer = tf.train.AdamOptimizer(learning_rate=lr)
67         # apply_gradients 是 minimize 方法的第二部分，应用梯度
68         self.update_batch = optimizer.apply_gradients(zip(self.gradient_holders, train_vars))
69
70     # 计算折扣后的 reward
71     # 公式： E = r1 + r2 * gamma + r3 * gamma * gamma + r4 * gamma * gamma * gamma ...
72     def discount_rewards(self, rewards):
73         discounted_r = np.zeros_like(rewards)
74         running_add = 0
75         for t in reversed(xrange(0, rewards.size)):
76             running_add = running_add * self.gamma + rewards[t]
77             discounted_r[t] = running_add
78         return discounted_r

  1 # -*- coding: UTF-8 -*-
  2
  3 """
  4 游戏的主程序，调用机器人的 Policy Gradient 决策大脑
  5 """
  6
  7 import numpy as np
  8 import gym
  9 import tensorflow as tf
 10
 11 from policy_gradient import PolicyGradient
 12
 13
 14 # 伪随机数。为了能够复现结果
 15 np.random.seed(1)
 16
 17 env = gym.make('CartPole-v0')
 18 env = env.unwrapped    # 取消限制
 19 env.seed(1)   # 普通的 Policy Gradient 方法, 回合的方差比较大, 所以选一个好点的随机种子
 20
 21 print(env.action_space)            # 查看这个环境中可用的 action 有多少个
 22 print(env.observation_space)       # 查看这个环境中 state/observation 有多少个特征值
 23 print(env.observation_space.high)  # 查看 observation 最高取值
 24 print(env.observation_space.low)   # 查看 observation 最低取值
 25
 26 update_frequency = 5   # 更新频率，多少回合更新一次
 27 total_episodes = 3000  # 总回合数
 28
 29 # 创建 PolicyGradient 对象
 30 agent = PolicyGradient(lr=0.01,
 31                        a_size=env.action_space.n,   # 对 CartPole-v0 是 2, 两个 action，向左/向右
 32                        s_size=env.observation_space.shape[0],  # 对 CartPole-v0 是 4
 33                        h_size=8)
 34
 35 with tf.Session() as sess:
 36     # 初始化所有全局变量
 37     sess.run(tf.global_variables_initializer())
 38
 39     # 总的奖励
 40     total_reward = []
 41
 42     gradient_buffer = sess.run(tf.trainable_variables())
 43     for index, grad in enumerate(gradient_buffer):
 44         gradient_buffer[index] = grad * 0
 45
 46     i = 0  # 第几回合
 47     while i < total_episodes:
 48         # 初始化 state（状态）
 49         s = env.reset()
 50
 51         episode_reward = 0
 52         episode_history = []
 53
 54         while True:
 55             # 更新可视化环境
 56             env.render()
 57
 58             # 根据神经网络的输出，随机挑选 action
 59             a_dist = sess.run(agent.output, feed_dict={agent.state_in: [s]})
 60             a = np.random.choice(a_dist[0], p=a_dist[0])
 61             a = np.argmax(a_dist == a)
 62
 63             # 实施这个 action, 并得到环境返回的下一个 state, reward 和 done(本回合是否结束)
 64             s_, r, done, _ = env.step(a)  # 这里的 r（奖励）不能准确引导学习
 65
 66             x, x_dot, theta, theta_dot = s_  # 把 s_ 细分开, 为了修改原配的 reward
 67
 68             # x 是车的水平位移。所以 r1 是车越偏离中心, 分越少
 69             # theta 是棒子离垂直的角度, 角度越大, 越不垂直。所以 r2 是棒越垂直, 分越高
 70             r1 = (env.x_threshold - abs(x)) / env.x_threshold - 0.8
 71             r2 = (env.theta_threshold_radians - abs(theta)) / env.theta_threshold_radians - 0.5
 72             r = r1 + r2  # 总 reward 是 r1 和 r2 的结合, 既考虑位置, 也考虑角度, 这样学习更有效率
 73
 74             episode_history.append([s, a, r, s_])
 75
 76             episode_reward += r
 77             s = s_
 78
 79             # Policy Gradient 是回合更新
 80             if done:  # 如果此回合结束
 81                 # 更新神经网络
 82                 episode_history = np.array(episode_history)
 83
 84                 episode_history[:, 2] = agent.discount_rewards(episode_history[:, 2])
 85
 86                 feed_dict = {
 87                     agent.reward_holder: episode_history[:, 2],
 88                     agent.action_holder: episode_history[:, 1],
 89                     agent.state_in: np.vstack(episode_history[:, 0])
 90                 }
 91
 92                 # 计算梯度
 93                 grads = sess.run(agent.gradients, feed_dict=feed_dict)
 94
 95                 for idx, grad in enumerate(grads):
 96                     gradient_buffer[idx] += grad
 97
 98                 if i % update_frequency == 0 and i != 0:
 99                     feed_dict = dictionary = dict(zip(agent.gradient_holders, gradient_buffer))
100
101                     # 应用梯度下降来更新参数
102                     _ = sess.run(agent.update_batch, feed_dict=feed_dict)
103
104                     for index, grad in enumerate(gradient_buffer):
105                         gradient_buffer[index] = grad * 0
106
107                 total_reward.append(episode_reward)
108                 break
109
110         # 每 50 回合打印平均奖励
111         if i % 50 == 0:
112             print("回合 {} - {} 的平均奖励: {}".format(i, i + 50, np.mean(total_reward[-50:])))
113
114         i += 1