您的位置:金沙手机版下载 > 黑色洛城 > 实现估值网络

实现估值网络

2019-10-11 08:53

Q-Learning,学习Action对应期望值(Expected Utility)。一九八四年,Watkins提出。收敛性,1993年,沃特kins和Dayan共同认证。学习期望价值,从近些日子一步到全体继续手续,总希望获取最大价值(Q值、Value)。Action->Q函数,最好计策,在每一个state下,选拔Q值最高的Action。不重视蒙受模型。有限Marco夫决策进程(马克ov Dectision Process) ,Q-Learning被认证最终得以找到最优政策。

Q-Learning目的,求解函数Q(st,at),依据当前条件处境,估量Action期待价值。Q-Learning练习模型,以(状态、行为、表彰、下一情状)构成元组(st,at,rt+1,st+1)样本磨练,st当前情况,at当前事态下施行action,rt+1推行Action后拿走褒奖,st+1下一状态,(当前处境,行动,表彰,下一情景)。特征(st,at)。学习目的(期待价值) rt+1+γ·maxaQ(st+1,a),当前Action获得Reward,加下一步可获得最大希望价值,当前气象行动表彰,加下一气象行动最大梦想价值。学习目的满含Q-Learning函数自身,递归求解。下一步可获最大希望价值乘γ(衰减周详discount factor),今后嘉勉的学习权重。discount factor 0,模型学习不到别的现在奖励音信,变短视,只关切最近平价。discount factor >= 1,算法或者不能够消灭,期待价值持续增多未有衰减(discount),期待价值发散。discount factor常常比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),向学习指标(当前赢得Reward加下一步可收获最大期望价值),按不大学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新获得样本消息覆盖率前左右到音信比率,平常设比较小值,有限协理学习进程稳固,确认保证最后收敛性。Q-Learning要求开头值Q0,相比高伊始值,鼓劲模型多探究。

学习Q-Learning模型用神经互连网,获得模型是估价网络。用比较深的神经网络,正是DQN。GoogleDeepMind,《Nature》杂文,《Human-level control through deep reinforcement learning》提出。DeepMind用DQN成立达到规定的规范人类专家水平玩Atari2600连串游戏Agent。

state of the art DQN Trick。第多少个Trick。DQN引进卷积层。模型通过Atari游戏录像图像掌握景况音信并学习计谋。DQN供给通晓接收图像,具备图像识别技艺。卷积神经网络,利用可领到空间组织音讯卷积层收取特征。卷积层提取图像中重大对象特征传给后层做分类、回归。DQN用卷积层做深化学习练习,依照情形图像输出决策。

第三个Trick。Experience Replay。深度学习必要大批量样书,守旧Q-Learning online update方法(逐个对新样本学习)不切合DQN。增大样本,几个epoch磨炼,图像再三使用。Experience Replay,累积Agent Experience样本,每趟练习随机抽出部分样本供网络学习。牢固产生学习义务,幸免短视只学习最新接触样本,综合再三使用过往一大波样书学习。创造积攒Experience缓存buffer,储存一定量较新样本。体量满了,用新样本替换最旧样本,保证大部分样本周边概率被抽到。不替换旧样本,训练进程被抽到概率永久比新样本高比较多。每趟供给练习样本,直接从buffer随机抽出一定量给DQN训练,保持样本高利用率,让模型学习到较新样本。

其四个Trick。用第2个DQN网络补助练习,target DQN,支持总计指标Q值,提供就学指标公式里的maxaQ(st+1,a)。七个互连网,两个塑造学习目的,贰个事实上陶冶,让Q-Learning演练目的保保持平衡稳。深化学习 Q-Learning学习指标每便退换,学习指标分局是模型自身输出,每一次换代模型参数会促成学习指标转移,更新往往幅度大,陶冶进度会要命不安定、失控,DQN磨炼会陷于目的Q值与预测Q值反馈循环(陷入震荡发散,难消失)。需求牢固target DQN协理网络总结目的Q值。target DQN,低频率、缓慢学习,输出指标Q值波动比较小,减小演习进度影响。

第二个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with Double Q-Learning》。守旧DQN高估Action Q值,高估不均匀,导致次优Action被高估抢先最优Action。target DQN 负担生成目的Q值,首发生Q(st+1,a),再经过maxa选取最大Q值。Double DQN,在主DQN上通过最大Q值选取Action,再得到Action在target DQN Q值。主网选用Action,targetDQN生成Action Q值。被挑选Q值,不自然总是最大,防止被高估次优Action总是超过最优Action,导致开采不了真正最棒Action。学习目的公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a)))。

第5个Trick。Dueling DQN。谷歌(Google) 《Dueling Network Architectures for Deep Reinforcement Learning》。Dueling DQN,Q值函数Q(st,at)拆分,一部分静态环情有所价值V(st),Value;另一部分动态选取Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总括情形Value和抉择Action Advantage。Advantage,Action与任何Action相比较,零均值。网络最终,不再直接输出Action数量Q值,输出一个Value,及Action数量 Advantage值。V值分别加到各种Advantage值上,得最后结果。让DQN学习指标更明显,如若个中期望价值首要由景况气象调整,Value值大,全部Advantage波动非常小;要是愿意价值首要由Action决定,Value值小,Advantage波动大。分解让学习目的更平稳、准确,DQN对环境情况猜测技艺越来越强。

兑现带Trick DQN。职责境况GridWorld导航类水言纟工。GridWorld饱含三个hero,4个goal,2个fire。调节hero移动,每回向上、下、左、右方向移动一步,多触碰goal(奖赏值1),避开fire(奖赏值-1)。游戏指标,限度步数内获得最多分数。Agent 直接通过GridWorld图像学习决定hero移动最优政策。

开创GridWorld职分遇到。载入正视库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,陶冶时间长,os按时储存模型文件。

创造境遇内物体对象class。情形物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(中华VGB颜色通道)、reward(奖赏值)、name(名称)。

创制GridWorld景况class,初步化方法只传入参数景况size。碰到长、宽为输入size,情形Action Space设4,开始化情形物体对象列表。self.reset()方法重新设置景况,得到开端observation(GridWorld图像),plt.imshow显示observation。

概念景况reset方法。成立全体GridWorld物体,1个hero(客户调整指标)、4个goal(reward 1)、2个fire(reward -1),增多到实体对象列表self.objects。self.newPosition()创立物体地点,随机挑选没有被占领新岗位。物有物体size、intensity 1,hero channel 2(深紫),goal channel 1(青莲),fire channel 0(中黄)。self.renderEnv()绘制GridWorld图像,state。

贯彻移动英雄剧中人物方法,传入值0、1、2、3多少个数字,分别代表上、下、左、右。函数依照输入操作英豪移动。若是运动该方向会造成豪卓绝界,不会实行别的活动。

概念newPosition方法,选用二个跟现存物体不冲突地方。itertools.product方法获得多少个变量全数组成,创设情况size允许具有职位集结points,获取近年来颇有物体地点集结currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机收取二个可用位置重回。

定义checkGoal函数。检查hero是或不是触碰goal、fire。从objects获取hero,其他物体对象放置others列表。编历others列表,如若物体和坐标与hero完全一致,推断触碰。依据触碰物体销毁,self.newPosition()方法在大四个人置又一次生成物体,重回物体reward值(goal 1,fire -1)。

创造长宛size+2、颜色通道数 3 图片。开首值全1,代表全深紫灰。最外面内部像素颜色值全部赋0,代表浅绛红。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,平常游玩图像尺寸。

概念GridWorld境遇进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地方,self.checkGoal()检查评定hero是不是触碰物体,获得reward、done标志。self.renderEnv获取境况图像state,返回state、reward、done。

调用gameEnv类初叶化方法,设置size 5,创立5x5大小GridWorld碰到,每回创立GridWorld情形随机生成。小尺寸情况相对容命理术数习,大尺寸较难,训练时间越来越长。

规划DQN(Deep Q-Network)网络。使用卷积层,能够直接从情状原始像素学习计策。输入scalarInput,扁平化长为84x84x3=21168向量,恢复生机成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创办第三个卷积层,卷积核尺寸8x8,步长4x4,输出通道数(filter数量)32,padding模型VALID,bias开首化器空。用4x4大幅度和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职责卷积,,输出维度1x1x512。

tf.split(),第四个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling DQN Advantage Function(Action带来的价值)和Value Function(情形本身价值)。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。成立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,得到self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对蒙受统一的,输出数量 1。Q值由Value、advantage复合成,Value加上收缩均值Advantage。Advantage减去均值操作 tf.subtract,均值总结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指标Q值targetQ输入placeholder,Agent动作actions输入placeholder。总计指标Q值,action由主DQN选取,Q值由援助target DQN生成。总结预测Q值,scalar方式actions转onehot编码情势,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout和actions都来自主DQN)。

定义loss,tf.square、tf.reduce_mean总结targetQ和Q均方抽样误差,学习速率1e-4 Adam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。起先化定义buffer_size存款和储蓄样本最大体量,成立buffer列表。定义向经buffer添日币素方法。假使超越buffer最大容积,清空最早样本,列表末尾增加新成分。定义样本抽样格局,用random.sample()函数随机收取一定数额样本。

概念84x84x3 states扁平化 1维向量函数processState,方便后边堆集样本。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class self.updateModel方法革新模型参数)。输入变量tfVars,TensorFlow Graph全体参数。tau,target DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前五成参数,主DQN模型参数。再令辅助targetDQN参数朝向主DQN参数前进比十分小比例(tau,0.001),target DQN缓慢学习主DQN。磨练时,指标Q值无法在一次迭代间波动太大,训练很动荡、失控,陷入目的Q值和预测Q值反馈循环。供给安静目的Q值磨练互联网,缓慢学习target DQN网络出口指标Q值,主网络优化目的Q值和展望Q值间loss,target DQN跟随主DQN缓慢学习。函数updateTargetGraph创制立异target DQN模型参数操作,函数updateTarget实践操作。

DQN互连网练习进度参数。batch_size,每趟从experience buffer获取样本数,32。更新频率update_freq,每间距多少step推行贰遍模型参数更新,4。Q值衰减周到(discount factor)γ,0.99。startE早施夷光行随机Action可能率。endE最后施行随机Action可能率。anneling_steps从起始随机可能率降到最后随机可能率所需步数。num_episodes总共多少次GridWorld情况试验。pre_train_steps正式用DQN选用Action前实行多少步随机Action测量试验。max_epLength每一种episode进行多少步Action。load_model是或不是读取以前磨练模型。path模型累积路线。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类早先化mainQN和援助targetQN。起首化全体模型参数。trainables获取具有可训练参数。updateTargetGraph创设立异target DQN模型参数操作。

experience_buffer成立experience replay class,设置当前随机Action几率e,总括e每一步衰减值stepDrop。开首化储存各种episode的reward列表rList,总步数total_steps。创设模型磨练保存器(Saver)检查保存目录是不是存在。

开创暗中同意Session,借使load_model标记True,检查模型文件路线checkpoint,读取载入已封存模型。推行参数初阶化操作,实行更新targetQN模型参数操作。创设GridWorld试验循环,创制每一种episode内部experience_buffer,内部buffer不参预当前迭代演习,磨练只使用此前episode样本。开头化情况得第叁个条件消息s,processState()函数扁平化。初始化暗中认可done标识d、episode内总reward值rAll、episode内步数j。

创立内层循环,每便迭代实行Action。总步数紧跟于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧进度。达到pre_train_steps,保留极小概率随机挑选Action。不随机选拔Action,传入当前状态s给主DQN,预测获得相应实践Action。env.step()实施一步Action,得到接下来事态s1、reward、done标记。processState对s1扁平化管理,s、a、r、s1、d传入episodeBuffer存储。

总步数超越pre_train_steps,持续下跌随机选用Action概率e,直到最低值endE。每当总步数达到update_freq整数部,进行二次磨练,模型参数更新。从myBuffer中sample出一个batch_size样本。演练样本第3列新闻,下一情状s1,传入mainQN,推行main.predict,获得主模型选取Action。s1传到帮忙targetQN,得到s1状态下全部Action的Q值。mainQN输出Action ,选取targetQN输出Q,获得doubleQ。多少个DQN网络把挑选Action和输出Q值三个操作分隔绝,Double DQN。磨练样本第2列音信,当前reward,加doubleQ乘以衰减周详γ,拿到学习目的targetQ。传入当前状态s,学习目的targetQ和骨子里运用Action,实施updateTarget函数,实施targetQN模型参数更新(缓慢向mainQN学习)。完整完结叁遍练习进度。每一种step甘休,累加当前这步获取reward,更新当前处境为下一步试验做希图。如若done标志为True,直接中断episode试验。

episode内部episodeBuffer增添到myBuffer,作现在磨炼抽样数据集。当前episode reward加多到rList。每贰十七个episode展现平均reward值。每一千个episode或任何教练实现,保存当前模型。

千帆竞发200个episode内,完全随机Action的前一千0步内,平均可以获取reward在2周边,基础baseline。

磨练末了episode输出,平均reward 22,非常大升高。

计算每玖17个episode平均reward,plt.plot展示reward变化趋势。从第一千个episode初阶,reward急迅提高,到第陆仟个episode基本达到规定的规范巅峰,后边进去平台期,进步相当小。

    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)

 

参照他事他说加以考察资料:
《TensorFlow实战》

应接付费咨询(150元每小时),作者的微信:qingxingfengzi

本文由金沙手机版下载发布于黑色洛城,转载请注明出处:实现估值网络

关键词: