【深入浅出强化学习-编程实战】 7 基于策略梯度的强化学习-Cartpole(小车倒立摆系统）

【深入浅出强化学习-编程实战】 7 基于策略梯度的强化学习-Cartpole

小车倒立摆MDP模型
代码
代码解析

小车倒立摆MDP模型

状态输入：s=[x,x˙,θ,θ˙]s = [x,\dot{x},\theta,\dot{\theta}]s=[x,x˙,θ,θ˙]，维数为4
动作输出为a={[1,0],[0,1]}a = \{[1,0],[0,1]\}a={[1,0],[0,1]}
回报函数：f(x)={1ifs∈Ω0ifs∉Ωf(x)= \begin{cases} 1 & if s \in \Omega \\ 0 & if s \notin \Omega\\ \end{cases} f(x)={10ifs∈Ωifs∈/Ω
状态转移概率：小车倒立摆的动力学方程，由模拟器提供

代码

import numpy as np
import tensorflow as tf
import gym
import matplotlib.pyplot as plt
RENDER = False# 创建一个采样类
class Sample():# 对类初始化，初始化参数为仿真环境env,当前的策略网络policy_net# 在初始化函数中定义折扣因子def __init__(self,env,policy_net):self.env = envself.policy_net = policy_netself.gamma = 0.98# 创建一个采样函数，参数为所要采集的轨迹的数目# 1.初始化环境，直接调用env.reset()# 2.根据当前状态，调用当前策略产生动作# 3.将策略产生的动作发送给模拟器，模拟器则根据状态和动作给出下一个状态，回报，及是否终止# 4.如果终止则进入5，否则把下一个状态传到当前状态，进入2# 5.一条轨迹结束，计算折扣累积回报，对折扣累积回报进行标准化处理，并将数据存入批数据集中，进入1采集下一条轨迹def sample_episodes(self,num_episodes):# 产生num_episode条轨迹batch_obs = []batch_action = []batch_rs = []for i in range(num_episodes):observation = self.env.reset()# 将一个episode的回报存储起来reward_episode = []while True:if RENDER:self.env.render()# 根据策略网络产生一个动作state = np.reshape(observation,[1,4])action = self.policy_net.choose_action(state)observation_,reward,done,info = self.env.step(action)batch_obs.append(observation)batch_action.append(action)reward_episode.append(reward)# 一个episode结束if done:# 处理回报函数reward_sum = 0discounted_sum_reward = np.zeros_like(reward_episode)for t in reversed(range(0,len(reward_episode))):reward_sum = reward_sum*self.gamma+reward_episode[t]discounted_sum_reward[t] = reward_sum# 标准化处理discounted_sum_reward -= np.mean(discounted_sum_reward)discounted_sum_reward /= np.std(discounted_sum_reward)# 将归一化的数据存储到批回报中for t in range(len(reward_episode)):batch_rs.append(discounted_sum_reward[t])break# 否则，智能体往前推进一步observation = observation_# 存储观测和回报batch_obs = np.reshape(batch_obs,[len(batch_obs),self.policy_net.n_features])batch_action = np.reshape(batch_action,[len(batch_rs),])batch_rs = np.reshape(batch_rs, [len(batch_rs), ])return batch_obs,batch_action,batch_rs# Softmax策略
class Policy_Net():# 初始化函数中完成网络模型的创建# 1.根据神经网络的结构创建输入层，隐藏层，输出层# 2.根据输出层构建损失函数# 3.根据损失函数构建优化器# 4.声明默认图# 5.初始化图中的变量# 6.创建保存和恢复模型def __init__(self,env,model_file=None):self.learning_rate = 0.01# 输入特征的维数self.n_features = env.observation_space.shape[0]# 输出动作空间的维数self.n_actions = env.action_space.n# 1.1输入层self.obs = tf.placeholder(tf.float32,shape=[None,self.n_features])# 1.2第1层隐含层self.f1 = tf.layers.dense(inputs=self.obs,units=20,activation=tf.nn.relu,kernel_initializer=tf.random_normal_initializer(mean=0,stddev=0.1),\bias_initializer=tf.constant_initializer(0.1))# 1.3第2层隐含层self.all_act = tf.layers.dense(inputs=self.f1,units=self.n_actions,activation=None,kernel_initializer=tf.random_normal_initializer(mean=0,stddev=0.1),\bias_initializer=tf.constant_initializer(0.1))# 1.4最后一层softmax层self.all_act_prob = tf.nn.softmax(self.all_act)# 1.5监督标签self.current_act = tf.placeholder(tf.int32,[None,])self.current_reward = tf.placeholder(tf.float32,[None,])# 2.构建损失函数self.neg_log_prob = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=self.all_act,labels = self.current_act)self.loss = tf.reduce_mean(self.neg_log_prob*self.current_reward)# 3.定义1个优化器self.train_op = tf.train.AdamOptimizer(self.learning_rate).minimize(self.loss)# 4.tf工程self.sess = tf.Session()# 5.初始化图中变量self.sess.run(tf.global_variables_initializer())# 6.定义保存和恢复模型self.saver = tf.train.Saver()if model_file is not None:self.restore_model(model_file)# 贪婪动作函数# 根据当前网络权值计算得到的概率最大的哪个动作，一般在测试网络的时候用def greedy_action(self,state):prob_weight = self.sess.run(self.all_act_prob,feed_dict={self.obs:state})action = np.argmax(prob_weight,1)print("greedy action",action)return action[0]# 训练函数# 根据采样数据，利用梯度下降法对策略网络进行训练def train_step(self, state_batch, label_batch, reward_batch):loss, _, neg = self.sess.run([self.loss, self.train_op, self.neg_log_prob],feed_dict={self.obs: state_batch, self.current_act: label_batch,self.current_reward: reward_batch})return loss, neg# 定义存储模型函数def save_model(self,model_path):self.saver.save(self.sess,model_path)# 定义恢复模型函数def restore_model(self,model_path):self.saver.restore(self.sess,model_path)# 采样动作函数# 因为当前策略为随机策略，采样动作策略是指根据当前动作概率分布采样一个动作。# 智能体根据该函数采样动作从而与环境交互def choose_action(self,state):prob_weight = self.sess.run(self.all_act_prob,feed_dict={self.obs:state})# 按照给定的概率采样action = np.random.choice(range(prob_weight.shape[1]),p=prob_weight.ravel())#print("action",action)return action# 策略的训练函数
# 迭代调用采样类中的采样函数sample_episodes()和策略网络类中的train_step()
def policy_train(env,brain,sample,training_num):reward_sum = 0reward_sum_line = []training_time = []for i in range(training_num):temp = 0training_time.append(i)# 采样10个episodestrain_obs,train_actions,train_rs = sample.sample_episodes(10)# 利用采样的数据进行梯度学习loss, neg_log = brain.train_step(train_obs, train_actions, train_rs)print("current loss is %f"%loss)if i == 0:reward_sum = policy_test(env,brain,False,1)else:reward_sum = 0.9*reward_sum + 0.1*policy_test(env,brain,False,1)# print(policy_test(env,brain,False,1))reward_sum_line.append(reward_sum)print("training episodes is %d,trained reward_sum is %f"%(i,reward_sum))if reward_sum >199:breakbrain.save_model('./current_bset_pg_cartpole')plt.plot(training_time,reward_sum_line)plt.xlabel("training number")plt.ylabel("score")plt.show()# 策略的测试函数
# 直接用策略网络的贪婪动作与环境交互
def policy_test(env,policy,render,test_num):for i in range(test_num):observation = env.reset()reward_sum = 0# 将1个episode的回报存储起来while True:if render:env.render()# 根据策略网络产生1个动作state = np.reshape(observation,[1,4])action = policy.greedy_action(state)observation_,reward,done,info = env.step(action)reward_sum += rewardif done:breakobservation = observation_return reward_sum# 主函数
if __name__ == '__main__':# 声明环境名称env_name = 'CartPole-v0'# 调用gym环境env = gym.make(env_name)env.unwrappedenv.seed(1)# 下载当前最好的模型#brain = Policy_Net(env,/.current_bset_pg_cartpole)# 实例化策略函数brain = Policy_Net(env)# 实例化采样函数sampler = Sample(env,brain)# 训练次数training_num = 150# 训练策略网络policy_train(env, brain, sampler, training_num)# 测试策略网络，随机生成10个初始化状态进行测试reward_sum =policy_test(env,brain,True,10)

环境

import pygame
import numpy as np
from load import *
from pygame.locals import *
import math
import timeclass CartPoleEnv:def __init__(self):self.actions = [0,1]self.state = np.random.uniform(-0.05,0.05,size=(4,))self.steps_beyond_done = 0self.viewer = None# 设置帧率self.FPSCLOCK = pygame.time.Clock()self.screen_size = [400,300]self.cart_x = 200self.cart_y = 200self.theta = -1.5self.gravity = 9.8self.mass_cart = 1.0self.mass_pole = 0.1self.total_mass = (self.mass_cart+self.mass_pole)self.length = 0.5self.pole_mass_length = (self.mass_pole*self.length)self.force_mag = 10.0self.tau = 0.02# 角度阈值self.theta_threshold_radians = 12*2*math.pi/360# x方向阈值self.x_threhold = 2.4# 环境的随机初始化，以便开始进行新的实验def reset(self):n = np.random.randint(1,1000,1)np.random.seed(n)self.state = np.random.uniform(-0.05,0.05,size=(4,))self.steps_beyond_done = 0print(self.state)return np.array(self.state)# 智能体与环境交互def step(self,action):state = self.statex,x_dot,theta,theta_dot = stateforce = self.force_mag if action == 1 else -self.force_magcostheta = math.cos(theta)sintheta = math.sin(theta)# 动力学方程temp = (force+self.pole_mass_length*theta_dot*theta_dot*sintheta)/self.total_massthetaacc = (self.gravity*sintheta-costheta*temp)/(self.length*(4.0/3.0-self.mass_pole*costheta*costheta/self.total_mass))# 角加速度xacc = temp - self.pole_mass_length*thetaacc*costheta/self.total_mass# 积分得到状态量x = x + self.tau* x_dotx_dot = x_dot + self.tau*xacctheta = theta + self.tau*theta_dottheta_dot = theta_dot + self.tau*thetaaccself.state = (x,x_dot,theta,theta_dot)# 根据更新的状态判断是否结束done = x < -self.x_threhold  or x>self.x_threhold or theta < -self.theta_threshold_radians or theta > self.theta_threshold_radiansdone = bool(done)# 设置回报if not done:reward = 1.0self.steps_beyond_done = self.steps_beyond_done + 1else:reward = 0.0return np.array(self.state),reward,donedef gameover(self):for event in pygame.event.get():if event.type == QUIT:exit()# 渲染和显示环境def render(self):screen_width = self.screen_size[0]screen_height = self.screen_size[1]world_width = self.x_threhold * 2scale = screen_width/world_widthstate = self.stateself.cart_x = 200 + scale*state[0]self.cart_y = 200self.theta = state[2]if self.viewer is None:pygame.init()self.viewer = pygame.display.set_mode(self.screen_size,0,32)# 第一个参数为窗口的分辨率，第二个参数为窗口的性质，第三个参数为色深，返回值为viewerself.background = load_background()self.pole = load_pole()# 画背景self.viewer.blit(self.background,(0,0))# 第一个参数为要画的参数名，第二个参数为图片左上角坐标self.viewer.blit(self.pole,(195,80))pygame.display.update()# 该函数在图片画到幕布后调用，否则要画的图不会显示# 循环绘图self.viewer.blit(self.background,(0,0))# 画线pygame.draw.line(self.viewer,(0,0,0),(0,200),(400,200))#第一个参数为幕布，第二个参数为直线的颜色，第三个参数为直线的起始坐标，第四个参数为直线结束坐标# 画圆#pygame.draw.circle(self.viewer,(255,0,0),(200,200),1)##第一个参数为幕布，第二个参数为颜色，第三个参数为圆心坐标，第四个参数为圆的半径# 画矩形pygame.draw.rect(self.viewer,(255,0,0),(self.cart_x-20,self.cart_y-15,40,30))#第一个参数为幕布，第二个参数为颜色，第三个参数为最左侧x坐标，和最右侧y坐标，矩形的长度，矩形的宽度# 图像旋转pole1 = pygame.transform.rotate(self.pole,-self.theta*180/math.pi)# 第一个参数为要旋转的图像，第二个参数为要旋转的角度if self.theta >0:pole1_x = self.cart_x-5*math.cos(self.theta)pole1_y = self.cart_y-80*math.cos(self.theta)-5*math.sin(self.theta)else:pole1_x = self.cart_x+80*math.sin(self.theta)-5*math.cos(self.theta)pole1_y = self.cart_y-80*math.cos(self.theta)+5*math.sin(self.theta)self.viewer.blit(pole1,(pole1_x,pole1_y))pygame.display.update()self.gameover()self.FPSCLOCK.tick(30)

代码解析

line 40

discounted_sum_reward = np.zeros_like(reward_episode)

np.zeros_like(x) ：输入为矩阵x，输出为形状和x一致的矩阵，其元素全部为0

line 41

 for t in reversed(range(0,len(reward_episode))):

reversed()函数的作用是返回一个反转的迭代器（元组、列表、字符串、range）。
语法：

reversed(seq)

参数
seq — 需要转换的序列，如元组、列表、字符串、range
返回值：
返回反转的迭代器

line 93

neg_log_prob = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=self.all_act,labels = self.current_act)

语法：

tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name=None)

计算logits 和 labels 之间的稀疏softmax 交叉熵
logits 必须具有shape [batch_size, num_classes] 并且 dtype (float32 or float64)
labels 必须具有shape [batch_size]，并且 dtype int64
参数：
logits: 无尺度化的log概率
labels: 每个条目 labels[i] 必须是[0, num_classes) 的索引或者-1. 如果是-1，则相应的损失为0，不用考虑 logits[i] 的值。
返回值：
batch_size 长度的1-D Tensor，type 类型和 logits 一样，值为softmax 交叉熵损失。

line 94

  self.loss = tf.reduce_mean(neg_log_prob*self.current_reward)

tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。
语法

reduce_mean(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None)

参数
input_tensor：输入的待降维的tensor;
axis：指定的轴，如果不指定，则计算所有元素的均值;
keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
name：操作的名称;
reduction_indices：在以前版本中用来指定轴，已弃用;
如果不指定第二个参数，那么就在所有的元素中取平均值
如果指定第二个参数为0，则第一维的元素取平均值，即每一列求平均值

line 136

 action = np.random.choice(range(prob_weight.shape[1]),p=prob_weight.ravel())

语法

numpy.random.choice(a, size=None, replace=True, p=None)

从a(只要是ndarray都可以，但必须是一维的)中随机抽取数字，并组成指定大小(size)的数组
replace:True表示可以取相同数字，False表示不可以取相同数字
数组p：与数组a相对应，表示取数组a中每个元素的概率，默认为选取每个元素的概率相同。
参考：https://blog.csdn.net/ImwaterP/article/details/96282230

line 198

 env.unwrapped()

Open AI gym提供了许多不同的环境。每一个环境都有一套自己的参数和方法。然而，他们通常由一个类Env包装（就像这是面向对象编程语言（OOPLs）的一个接口）。这个类暴露了任一环境的最常用的，最本质的方法，比如step，reset，seed。拥有这个“接口”类非常好，因为它允许您的代码不受环境限制。如果您希望在不同的环境中测试单个代理，那么它还使事情变得更简单。
然而，如果你想访问一个特定环境的场景动态后面的东西，需要使用unwrapped属性。
参考:https://blog.csdn.net/qq_32893343/article/details/103694468

line 36

 n = np.random.randint(1,1000,1)

语法：

numpy.random.randint(low, high=None, size=None, dtype=’l’)

输入：
low—–为最小值
high—-为最大值
size—–为数组维度大小
dtype—为数据类型，默认的数据类型是np.int。
返回值：
返回随机整数或整型数组，范围区间为[low,high），包含low，不包含high；
high没有填写时，默认生成随机数的范围是[0，low)
参考：https://blog.csdn.net/QFJIZHI/article/details/103435445

line 37

 np.random.seed(n)

seed( ) 是用于指定随机数生成时所用算法开始的整数值，如果采用相同的随机数种子，生成的随机数是相同的。这里随机数种子为n，则每次都不同。

【深入浅出强化学习-编程实战】 7 基于策略梯度的强化学习-Cartpole(小车倒立摆系统）相关推荐

基于策略梯度的强化学习方法及算法理论基础
往期博客: 基于值函数逼近的强化学习方法 Policy gradient 算法思想基于策略: Policy gradient 是 RL 中另外一个大家族, 他不像 Value-based 方法 (Q ...
强化学习（三）—— 策略学习（Policy-Based）及策略梯度（Policy Gradient）
强化学习(三)-- 策略学习(Policy-Based)及策略梯度(Policy Gradient) 1. 策略学习 2. 策略梯度 3. 案例 1. 策略学习 Policy Network 通过策略 ...
MATLAB强化学习实战(七) 在Simulink中训练DDPG控制倒立摆系统
在Simulink中训练DDPG控制倒立摆系统倒立摆的Simscape模型创建环境接口创建DDPG智能体训练智能体 DDPG智能体仿真此示例显示了如何训练深度确定性策略梯度(DDPG)智能体 ...
深度学习项目实战——1.基于WordCloud词云生成
深度学习项目实战--1.基于WordCloud词云生成准备安装依赖库 pip install wordcloud matplotlib jieba pillow WordCloud()可选的参数 ...
MATLAB强化学习实战(二) 使用并行计算训练倒立摆系统
使用并行计算训练倒立摆系统行动者的并行训练创建Cart-Pole MATLAB环境接口创建AC智能体并行训练选项训练智能体 AC智能体仿真参考文献此示例显示了如何通过使用异步并行训练来训 ...
强化学习笔记：连续控制确定策略梯度DPG
1 离散控制与连续控制之前的无论是DQN,Q-learning,A2C,REINFORCEMENT,SARSA什么的,都是针对离散动作空间,不能直接解决连续控制问题. 考虑这样一个问题:我们需要控制 ...
阿里技术专家加多：Java异步编程实战之基于JDK中的Future实现异步编程｜文末赠书...
正文共:14244 字 8 图预计阅读时间: 36 分钟本节内容摘自<Java异步编程实战>中的一小节. 一.前言本节主要讲解如何使用JDK中的Future实现异步编程,这包含如何使 ...
阿里技术专家加多：Java异步编程实战之基于JDK中的Future实现异步编程
正文共:14244 字 8 图预计阅读时间: 36 分钟本节内容摘自<Java异步编程实战>中的一小节. 一.前言本节主要讲解如何使用JDK中的Future实现异步编程,这包含如何使 ...
【从RL到DRL】深度强化学习基础（四）——策略梯度中的Baseline，Reinforce与A2C的对比
目录带有Baseline的策略梯度数学推导蒙特卡洛近似(With Baseline) Reinforce With Baseline 使用Reinforce算法训练: Advantage Act ...

【深入浅出强化学习-编程实战】 7 基于策略梯度的强化学习-Cartpole(小车倒立摆系统）

【深入浅出强化学习-编程实战】 7 基于策略梯度的强化学习-Cartpole

小车倒立摆MDP模型

代码

代码解析

【深入浅出强化学习-编程实战】 7 基于策略梯度的强化学习-Cartpole(小车倒立摆系统）相关推荐

最新文章

热门文章